JincResize 代码重构（2）

（更多内容可查看使用 AVX 系列指令集进行向量化，也可看一下这篇很欢乐的文章 GCC 神坑：-march=native）

对于 GCC 编译器，在编译命令中加入-march=native选项，可调用本地的库，使用 AVX 指令集优化。

（Doc 在这里，直接搜索想查的函数即可）

（另外也可看一下Intel AVX を使用して SIMD 演算を試してみる - その2 -，但函数参数不如上面的 Doc 详细）

_mm_malloc(size_t size, size_t align)：对齐的问题

_mm256_load_ps：float 类型输入

_mm256_load_pd：double 类型输入

__m256d _mm256_mul_pd(__m256d, __m256d)：256 位双精度乘法

__m256：容纳 8 个 32 位单精度浮点数值

__m256d：容纳 4 个 64 位双精度浮点数值

这部分代码来自 luglio，我只是做了一点适配，因为我现在还没有把 JincResize 的中间数据从 double 改为 float。

1	`double* lut = (double )_mm_malloc(sizeof(double) d->sample, 64);`

_mm_malloc相比一般的malloc，增加了一个用于数据对齐的参数。具体在这里（数据对齐有助于实现向量化）有讲。

虽然我现在还不能完全理解这个概念，但经过测试，对于JincResize现有的代码，把上面的64写成32，和没有 AVX 优化的速度几乎一样。

1 2	`__mm256_store_ps(lut + j * 8, rl); // float __mm256_store_pd(lut + j * 4, rl); // double`

看一下两个函数的声明

1 2	`void _mm256_store_ps (float * mem_addr, __m256 a) void _mm256_store_pd (double * mem_addr, __m256d a)`

注意到第二个参数类型分别是__m256、__m256d，所以有了上述区别。

（2020.3.2 完成 2020.3.8 补记）

之前没注意，可以直接获取特定平面尺寸的啊（commit 83eb7f）。

嗯，就是求平方嘛，直接乘多好，用pow()更慢。

说起来虽然是这么一个小改动，但速度提升真是明显（从 r5 到 r6 的 25% 速度提升，AVX优化贡献的可能还不如这里多）。毕竟是在计算量最大的四重循环内，微小的改动就能有大的影响。

经过从 r5 到 r6 的修改，以及对卷积的认识，算是把 JincResize 代码重新认识了一遍，哪里是速度敏感的，怎么样让代码简洁一点，也有了体会。

Code

C++