MMX开发文档
I MMX简介
Intel的MMX™技术是对Intel体系结构(IA)指令集的扩展。该技术使用了单指令多数据技术(SIMD)技术，以并行方式处理多个数据元素，从而提高了多媒体和通讯软件的运行速度。MMX™指令集增加了57条新的操作码和一个新的64位四字数据类型。
MMX™技术提高了很多应用程序的执行性能，例如活动图像、视频会议、二维图形和三维图形。几乎每一个具有重复性和顺序性整数计算的应用程序都可以从MMX™技术中受益。对于8位、16位和32位数据元素的处理，改善了程序的性能。一个MMX™指令可一次操作8个字节，且在一个时钟周期内完成两条指令，也就是说，可在一个时钟周期内处理16个数据元素。另外，为增强性能，MMX™技术为其它功能释放了额外的处理器周期。以前需要其它硬件支持的应用程序，现在仅需软件就能运行。更小的处理器占用率给更高程度的并发技术提供了条件，在当今众多的操作系统中这些并发技术得到了利用。在基于Intel的分析系统中，某些功能的性能提高了50%到400%。这种数量级的性能扩展可以在新一代处理器中得到体现。在软件内核中，其速度得到更大的提高，其幅度为原有速度的三至五倍。
MMX的缺点：由于MMX的运算指令必须在数据配对整齐的时候才能使用，所以使用MMX指令要比普通的汇编指令多余许多分组配对的指令，如果运算不是特别的整齐的话，就要浪费大量的时间在数据的配对上，所以说MMX指令也不是万能的，也有其很大的缺陷。同时MMX指令在处理16位数据的时候才能发挥最大的作用，处理8位数据要有一点技巧。而处理32位数据，MMX指令几乎没有什么加速能力。(考虑分组耗时的话)
II MMX基本指令集
具体细节请参阅《INTEL 体系结构MMX技术程序员参考手册》第五章
2.1 拷贝指令
movq：64位数据拷贝，如果内存8位对齐的话，是一个64位写，否则2个32位写。
movd：32位数据拷贝，注意：如果从内存向MMX寄存器拷贝，MMX高32位清零！
2.2 分组指令
分组指令是MMX特有的，所以对于它我们要特别的关注。分组指令基本上可以分为2类，一类是不带符号紧缩的，一类是带符号紧缩的。现在我们分别予以介绍：
①punpcklbw / punpcklwd / punpckldq (l表示低位分组，bw8位，wd16位，dq32位)：它是简单的将两个MMX寄存器的低32位交错组合为一个64位数据。所以它是不能将长数据转换为短数据的。
②packuswb 将16位数据转换为无符号的8位数据。所以可以将两个MMX寄存器不交错的合为一个64位数据。
③packsswb/packssdw 将32位－》16位，16位－》8位，都是有符号的数据。
2.3 运算指令
加法运算指令：paddb（w）（d）：没有越界保护的加法，当越界的时候仅仅丢弃超出范围的高位比特，（b）（w）（d）分别为8，16，32位加法；paddsb（w）：具有越界保护的有符号加法，当上溢的时候为0x7fff，下溢的时候为0x8000；paddusb（w）：具有越界保护的无符号加法，当上溢的时候为0x7fff，下溢的时候为0x0。
减法运算指令同上；add改为sub。
乘法指令：pmullw / pmulhw 是4个16位数据的乘法，pmullw中是结果的低16位，pmulhw是结果的高16位。pmaddwd 乘加指令。
2.4 逻辑指令，移位指令和EMMS指令
细节参见《INTEL 体系结构MMX技术程序员参考手册》。
III MMX经典处理策略
①数据输入输出：
在输入数据的时候，经典的处理方法是将一个数组整个“Load”到MMX寄存器中。这样简单同时利用了MMX64位读写数据的能力，提高了性能。同样在输出的时候，也是将一个64位MMX寄存器中的数据内容整个“Store”到内存中。
如果实在是不能这样处理的话，就要利用移位指令了。比如说将一个MMX内的4个16位数据分别拷贝到不同的内存变量（或者16位通用寄存器中）x1，x2，x3，x4，那么可以这样处理：
movd eax,mm1
psrlq mm1,32
movd ebx,mm1
mov x1,ax
mov x2,bx
shr eax,16
shr ebx,16
mov x3,ax
mov x4,bx
可见如果不采用数组形式的话，输入输出将十分的麻烦。
②数据分组以及求绝对值的方法等：
细节请参阅《INTEL 体系结构MMX™ 技术开发者手册》第五章
IV 自定义组合指令
①八位无符号数的移位：
在MMX指令集中是没有8位数据的移位指令的，但是有的时候我们确实需要，所以可以用以下两个指令来实现：
psrlq mm0,1
pand mm0,0x7f7f7f7f7f7f7f7f
②如何防止计算过程中越界：
比如在计算的时候，我们有（x1＋x2＋1）>>1，这个时候x1＋x2就会越界（8位数据），那么我们就不得不使用替代了办法，比如（x1>>1＋x2>>1）这个处理是不精确的，在不需要很精确的场合，是可以使用的，但是如果结果差错1都不可容忍的话，就要进行一点处理：
pand mm0,0x01010101010101 //保留数据的最后一位数
pand mm1,0x01010101010101 //保留数据的最后一位数
por mm0,mm1
paddusb mmx,mm0 //修正数据
（x1>>2＋x2>>2）：这个处理是通用的
pand mm0,0x03030303030303 //保留数据的最后两位数
pand mm1, 0x03030303030303 //保留数据的最后两位数
paddusb mm0,mm1
psrlq mm0,2
pand mm0,0x3f3f3f3f3f3f3f3f
paddusb mmx,mm0
③符号扩展指令：
mm0：*,*,A,B => 现在要符号扩展为 mm0：(A符号)A, (A符号)B
movq mm1,mm0
pcgtm mm1,0 //比较mm0，生成mm1：(A符号) (B符号)()()
punpcklwd mm0,mm1
④分组指令
除了基本的分组指令以外，我们还可以利用移位指令和pand por指令来实现分组的功能，移位主要是要产生0，这样por mm0，mm1就可以将mm0和mm1合并了。
比如：mm0(*,*,A,B) mm1(0,0,C,D) 则
psllq mm0,32
por mm0,mm1 => (A,B,C,D) 当然这个例子我们可以用普通的分组指令实现，但是在某些复杂的处理中，这样的处理是必须的。
总之，要灵活运用MMX的现有指令来实现自己需要的功能。
V MMX编程心得
使用MMX技术进行编程，目的就是要提高运算速度，所以，对于如何尽可能的提高代码的效率，我们是要特别关注的。这里，我介绍一些需要注意的事项。
① 尽可能的提高内存访问的容量，我们可以看看下面的代码：
for (j=0; j<h; j++)
{
d[0] = s[0];
d[1] = s[1];
d[2] = s[2];
d[3] = s[3];
d[4] = s[4];
d[5] = s[5];
d[6] = s[6];
d[7] = s[7];
d[8] = s[8];
d[9] = s[9];
d[10] = s[10];
d[11] = s[11];
d[12] = s[12];
d[13] = s[13];
d[14] = s[14];
d[15] = s[15];
s+= lx2;
d+= lx;
}
__asm{
pushf
mov edx,dword ptr h
xor ecx,ecx
mov esi,dword ptr s
mov edi,dword ptr d
mov eax,lx2
mov ebx,lx
AGAIN:
movq mm0,byte ptr [esi]
movq mm1,byte ptr [esi+8]
movq byte ptr [edi],mm0
movq byte ptr [edi+8],mm1
add esi,eax
add edi,ebx
add ecx,1
cmp ecx,edx
jl AGAIN
emms
popf
}
仅仅将几个8位的写，改为64位的写，测试得到速度提升了25%，同样的道理，我们要尽可能的将几个movq写在一起，这样可以提高5%左右的速度。原C代码的效率也是很高的，它不用数组的【】【】来寻址，而是将s+= lx2; 从而将二维数组的寻址改为一维数组的寻址。尽可能的减少寻址的复杂度，这也是一种高效的办法。 还有一点就是如果将原来的简单赋值改为memcpy（）的话，可以提高大约10％的速度。这也是提高了数据流通容量的关系。
② 一些要注意的地方：
1. 尽可能的使用static变量, 访问这样的变量是很快的=访问立即数的速度
2. 由于只有一个mmx移位寄存器, (移位分组指令) 是不能配对的
3. 不要在eax使用完, 使用ax, 不要使用完一个mm1,就立即使用它
4. 可以这样立即使用mm1, movq mm2,mm1 movq mm1,mm3 (Z顺序是可以的)
5. (4个以上)movq尽可能的在一起, 前提是在一起的mov不要使用一样的mmx寄存器
6. mov eax, [esi] ([esi+2*eax]) 访问寻址的内存是特别的慢的
7. 同上 stow 也是很慢的 （mov cx，n; loop是很慢的，如果可能，要展开循环）
8. 尽可能的在寄存器中完成操作,不要去访问内存
9. 用变量名访问变量,尤其是static的,是很快.
10. 访问寻址的内存的速度下降 》 数据不对齐8位的速度下降 》 指令不配对的速度下降
11. 所以在传统的代码优化的方法中，构造数组，然后将运算变为查表的方法，有的时候在MMX技术内反而会降低速度。（这个时候，如果真的用查表有提升速度的话，建议采用段地址＋偏移量的办法）
