SSE 标准化向量

最新推荐文章于 2023-02-17 23:15:58 发布
最新推荐文章于 2023-02-17 23:15:58 发布
阅读量161 收藏
点赞数
原文链接：http://www.cnblogs.com/seebro/p/3774802.html
版权 
        　　 mov    esi,   this            ; vector u
            movups xmm0,  [esi]           ; first vector in xmm0
            movaps xmm2,  xmm0            ; copy original vector
            mulps  xmm0,  xmm0            ; mul with 2nd vector
            movaps xmm1,  xmm0            ; copy result
            shufps xmm1,  xmm1, 4Eh       ; shuffle: f1,f0,f3,f2
            addps  xmm0,  xmm1            ; add: f3+f1,f2+f0,f1+f3,f0+f2 
            movaps xmm1,  xmm0            ; copy results
            shufps xmm1,  xmm1, 11h       ; shuffle: f0+f2,f1+f3,f0+f2,f1+f3 
            addps  xmm0,  xmm1            ; add: x,x,f0+f1+f2+f3,f0+f1+f2+f3

            rsqrtps xmm0,  xmm0           ; recip. sqrt (faster than ss + shufps)
            mulps   xmm2,  xmm0           ; mul by reciprocal
            movups  [esi], xmm2           ; bring back result

核心思想 xmm寄存器 4分量 全部赋值为x*x +y*y + z*z, rsqrtps 求向量长度的倒数，最终乘以xmm2存的原向量，完成标准化。

rsqrtps用的查表方式，近似求的开方倒数，提高执行速度。精确求利用rsqrtss指令。

转载于:https://www.cnblogs.com/seebro/p/3774802.html

aiba1227
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
标准化向量/单位向量
qq_42898629的博客
10-30 1万+
在很多情况下，我们只关心向量的方向儿不关心其大小，比如，在计算关照模型时，我们往往需要得到顶点的法线方向和光源方向，此时我们不关心这些向量有多长。在这些情况下，我们就需要计算标准化向量 标准化向量指的是那些长度为1的向量，标准化向量也被称为归一化的向量或者单位向量。 数学公式: V是任意非零向量。 例: 公式解析： 1.求一个向量的标准化向量，本质是让这个向量与自身的模...
第五章:向量运算
weixin_30480075的博客
02-10 2021
第1节：零向量 1.零向量的概念 　　对于任意向量x，都有x+y=x，则x被称为零向量。例如，3D零向量为[0 0 0]。零向量非常特殊，因为它是唯一大小为零的向量，并且唯一一个没有方向的向量。 第2节：负向量 1.负向量的概念 　　对于向量x，如果x+(-x)=0，则-x就是负向量。 2.负向量的运算法则 　　 　　将此法则应用到2D，3D，4D中，则 　　-[x y...
向量标准化
weixin_30821731的博客
09-19 2367
return *this /= length(); 比求模多一步而以！ 我已经对以前念书的时候是怎么计算单位向量没有印象了。 最近的几次碰到需要求单位法向量的时候我都尽量避免，因为记忆里求法向量和标准化向量相当的麻烦 -_-" 不知道是源码结构好还是啥，感觉这个代码还是挺有启发的，以后矩阵算法可能得好好用起来了 转载于:https://www.cnblogs....
三维向量的标准化，两点距离，点乘，叉乘
jiuweihuaxiang的专栏
09-18 2649
#include using namespace std; struct vector { float x; float y; float z; }; vector c; float Get_Length(vector &a) { return a.x*a.x+a.y*a.y+a.z*a.z; } float Distance(vector &a,vector &b)
java 对一个向量进行标准化的代码
weixin_42612405的博客
02-17 111
可以使用以下代码来标准化一个向量：double[] normalizedVector = vector.clone(); double sum = 0.0;for (int i = 0; i < normalizedVector.length; i++) { sum += normalizedVector[i]; }for (int i = 0; i < normalizedV...
c++实现向量运算.7z
04-09
8. **性能优化**：在进行大量向量运算时，考虑使用向量化的编译器指令（如Intel的SSE或AVX），或者使用BLAS（基础线性代数子程序）库如OpenBLAS或MKL，以提高计算效率。 9. **错误检查**：在实际编程中，需要确保...
sse.rar_SSE
09-22
6. **性能分析与优化**：如何通过编译器选项、代码调整和基准测试来最大化利用SSE的优势。 7. **密码学理论**：理解加密的数学基础，包括对称加密和非对称加密的区别，以及安全散列函数、密钥管理等。 通过深入...
使用SSE / SSE2进行优化
04-07
6. **兼容性考虑**: SSE2是自 Pentium 4 以来所有Intel和大部分AMD处理器的标准特性，但较旧的CPU可能不支持SSE或只支持SSE。因此，在编写代码时需要考虑向下兼容性。 7. **编译器标志**: 使用Visual Studio或其他...
sse.rar_SSE_SSE加密_ivmaker_流密码算法_简单加密
09-14
IV（初始化向量）在SSE中扮演着关键角色，它是每次加密过程的随机输入，确保即使相同的明文在不同的加密过程中也能产生不同的密文。IVmaker可能是一个工具或算法的一部分，用于生成这些随机的初始化向量，保证加密...
Intel SSE4 Programming Reference
08-28
4. **向量化操作**：通过支持向量化的SIMD（Single Instruction Multiple Data）操作，SSE4允许单个指令同时对多个数据进行操作，从而显著提高计算速度。 5. **优化编译器支持**：现代编译器通常包含了对SSE4指令的...
向量基础知识
幻灵小龙的IT基地
08-07 3783
向量基础知识
数学基础——向量
weixin_44573992的博客
12-15 5529
什么是向量 1.向量的定义 向量是有大小和方向的有向线段。 向量没有位置，只有大小和方向。 向量的箭头是向量的结束点，尾巴是向量的起始点。 向量描述的位移能被认为是与轴平行的位移序列。 向量表示：三维（ax，ay，az） 二维（ax，ay）。 2.向量与标量 向量：有大小和方向的有向线段。 标量：只有大小，没有方向的量。 3.向量与点 向量和点数学形式上相等，但几何意义完全不同。 点：有位置，没有实际大小或方向。 向量：无位置，有实际大小和方向。 任何一个点都可以看作是从原点出发的向量。 4.零向量
数据标准化之均值方差标准化（原理+Python代码）
weixin_45481473的博客
02-12 1万+
一、原理介绍 常用的数据标准化方法有最大最小归一化、均值方差标准化、小数定标法、定量特征二值化等。其中，均值方差标准化是一种将数据转化为标准正态分布的标准化方法。在回归模型中，服从正态分布的自变量和因变量往往对应着较好的回归预测效果。均值方差标准化的计算公式为： x′=x−μσ x'=\frac{x-\mu }{\sigma } x′=σx−μ​ 公式中，x表示单个数据的取值，μ\muμ表示对应列的均值，σ\sigmaσ表示对应列的方差 二、代码实现 #加载模块 from sklearn.preproces
如何标准化特征向量HOW TO NORMALISE FEATURE VECTORS
GarfieldEr007的专栏
04-12 5688
HOW TO NORMALISE FEATURE VECTORS I was trying to create a sample file for training a neural network and ran into a common problem: the feature values are all over the place. In this example I’m w
SSE 向量乘矩阵
weixin_33700350的博客
02-23 717
struct Vector4 { float x, y, z, w; }; struct Matrix { float _M[4][4]; }; void SSE_VectorMultiplyMatrix(const Vector4& v,const Matrix& m1,Vector4& ret) ...
数据标准化/归一化normalization
yusisc的博客
11-21 5072
数据标准化/归一化normalization - 皮皮blog - CSDN博客  http://blog.csdn.net/pipisorry/article/details/52247379 http://blog.csdn.net/pipisorry/article/details/52247379 这里主要讲连续型特征归一化的常用方法。离散参考[数据预处理：独热编码（One-H
Matlab标准化（单位化）一个向量
热门推荐
iamjingong的博客
08-09 3万+
输入：（例） p = [0.1501, 0, 1e-05] v = p/norm(p) 输出： v =1.0000         0    0.0001  
向量 规范化
qq_43667944的博客
02-24 5551
向量 规范化
点和向量的数学基础
Light in the Box
09-07 4428
点和向量的数学基础
C++ opencv ncc归一化互相关 使用SSE优化 具体实现代码
最新发布
05-19
归一化互相关（Normalized Cross-Correlation，NCC）是一种常用的图像匹配方法，可以用于模板匹配、目标跟踪等领域。SSE（Streaming SIMD Extensions）是Intel公司开发的一种SIMD指令集，可以在处理器中同时处理多个数据。下面是使用SSE优化的归一化互相关的实现代码： ```c++ #include <emmintrin.h> // 包含SSE指令集头文件 #include <opencv2/opencv.hpp> using namespace cv; void NCC_SSE(const Mat& img, const Mat& templ, Mat& result) { int img_h = img.rows, img_w = img.cols; int templ_h = templ.rows, templ_w = templ.cols; int result_h = img_h - templ_h + 1, result_w = img_w - templ_w + 1; result.create(result_h, result_w, CV_32FC1); __m128i zero = _mm_setzero_si128(); // 初始化一个全0的向量 for (int i = 0; i < result_h; i++) { for (int j = 0; j < result_w; j += 4) { __m128 sum = _mm_setzero_ps(); // 初始化一个全0的向量 // 计算模板和图像的均值 float templ_mean = mean(templ)[0]; Mat img_roi(img, Rect(j, i, templ_w, templ_h)); float img_mean = mean(img_roi)[0]; // 计算模板和图像的标准差 Mat templ_square, img_square; multiply(templ, templ, templ_square); multiply(img_roi, img_roi, img_square); float templ_stddev = sqrt(mean(templ_square)[0] - templ_mean * templ_mean); float img_stddev = sqrt(mean(img_square)[0] - img_mean * img_mean); // 计算NCC for (int k = 0; k < templ_h; k++) { const float* img_ptr = img.ptr<float>(i + k) + j; const float* templ_ptr = templ.ptr<float>(k); for (int l = 0; l < templ_w; l += 4) { __m128 a = _mm_loadu_ps(img_ptr + l); __m128 b = _mm_loadu_ps(templ_ptr + l); __m128 c = _mm_sub_ps(a, _mm_set1_ps(img_mean)); __m128 d = _mm_sub_ps(b, _mm_set1_ps(templ_mean)); __m128 e = _mm_mul_ps(c, d); sum = _mm_add_ps(sum, e); } } // 归一化 float scale = img_stddev / templ_stddev; __m128 s = _mm_set1_ps(scale); __m128 r = _mm_div_ps(sum, _mm_mul_ps(_mm_set1_ps(templ_w * templ_h), _mm_mul_ps(_mm_set1_ps(img_stddev), s))); r = _mm_max_ps(r, zero); result.at<float>(i, j) = r[0]; result.at<float>(i, j + 1) = r[1]; result.at<float>(i, j + 2) = r[2]; result.at<float>(i, j + 3) = r[3]; } } } ``` 其中，`__m128`是SSE指令集中的128位向量类型，可以同时存储4个float类型的数据，`_mm_loadu_ps`、`_mm_set1_ps`、`_mm_add_ps`、`_mm_sub_ps`、`_mm_mul_ps`、`_mm_div_ps`等函数是SSE指令集中的函数，用于对向量进行加载、赋值、加减乘除等操作。在计算NCC时，利用SSE指令集的优势，可以同时计算4个像素的结果，从而提高了计算效率。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值