前回の場合分けの部分も並列処理をする。
SSEに分岐などないので、そこは工夫が必要である。
方針としては、
xy平面を象限に分けて考える。
第4象限は3π/4回転して、x >= y && x + y >= 0の領域に持ってくる。
同様に他の象限も回転する。
そこで素のatan2の計算を行い、さっきの回転した分だけ減じる。
回転する角度はどう決めるかというと、
角度はxとyの符号で決まるから、その符号を取り出す。
#define ALIGNED __declspec(align(16))
...
ALIGNED int mask[4] = {
0x80000000, 0x80000000, 0x80000000, 0x80000000
};
__asm {
movaps xmm2, [x1]
movaps xmm3, [y1]
movaps xmm4, xmm2 ; x
movaps xmm5, xmm3 ; y
movaps xmm6, [mask]
andps xmm4, xmm6
andps xmm5, xmm6
...
}
xとyをそれぞれ0x80000000とandを取る。
そうすると、floatは最上位ビットが立っていれば負、さもなくば正だから、
負なら0x80000000、正なら0となる。
これと、0x3f000000とorを取ると、
負なら0xbf000000、正なら0x3f000000となり、
これはfloatで、それぞれ-0.5と0.5を表す。
ALIGNED int ex[4] = {
0x3f000000, 0x3f000000, 0x3f000000, 0x3f000000
};
...
movaps xmm6, [ex]
orps xmm4, xmm6 ; b1
orps xmm5, xmm6 ; b2
xのでこの変換を施したものをb1、同様のyをb2とする。
これで各象限を表現できる。
b1とb2が共に-0.5なら第3象限となる。
以下では、第3,4,1,2象限を順番に並べたベクトルを用いる。
すなわち、
b1 = ( -0.5, 0.5, 0.5, -0.5 )
b2 = ( -0.5, -0.5, 0.5, 0.5 )
ここで次の演算を行う。
c = b1b2 - b2
すると、
c = ( 0.75, 0.25, -0.25, -0.75 )
となり、これにπをかければ回転角度となる。
また、回転の行列計算なcos/sinは、
cos = √2b1
sin = -√2b2
となる。
しかし、この計算を行ったところ44ns程度と、SSEを用いなかったときより遅くなった。
ただ、前回の場合わけを行った場合よりは約3倍速くなった。前回、実家では速かったので、コンパイラが何かしているのかCPUの違いがあるのか、何か起こっているにちがいない。
void atan13(float *z, const float *y, const float *x) {
ALIGNED float x1[4], y1[4], z1[4];
memcpy(x1, x, 16);
memcpy(y1, y, 16);
ALIGNED int mask[4] = { 0x80000000, 0x80000000, 0x80000000, 0x80000000};
ALIGNED int ex[4] = { 0x3f000000, 0x3f000000, 0x3f000000, 0x3f000000 };
ALIGNED float pi[4] = { M_PI, M_PI, M_PI, M_PI };
ALIGNED float sqrt2[4] = { sqrt(2.0f), sqrt(2.0f), sqrt(2.0f), sqrt(2.0f) };
ALIGNED float a0[4] = { 256.0f, 256.0f, 256.0f, 256.0f };
ALIGNED float a1[4] = { 5943.0f, 5943.0f, 5943.0f, 5943.0f };
ALIGNED float a2[4] = { 19250.0f, 19250.0f, 19250.0f, 19250.0f };
ALIGNED float a3[4] = { 15015.0f, 15015.0f, 15015.0f, 15015.0f };
ALIGNED float b0[4] = { 1225.0f, 1225.0f, 1225.0f, 1225.0f };
ALIGNED float b1[4] = { 11025.0f, 11025.0f, 11025.0f, 11025.0f };
ALIGNED float b2[4] = { 24255.0f, 24255.0f, 24255.0f, 24255.0f };
ALIGNED float a[4];
__asm {
movaps xmm2, [x1]
movaps xmm0, [pi]
movaps xmm3, [y1]
movaps xmm4, xmm2 ; x
movaps xmm5, xmm3 ; y
movaps xmm6, [mask]
andps xmm4, xmm6
andps xmm5, xmm6
movaps xmm6, [ex]
orps xmm4, xmm6 ; b1
orps xmm5, xmm6 ; b2
movaps xmm7, xmm4
mulps xmm7, xmm5
subps xmm7, xmm5 ; c
mulps xmm7, xmm0 ; rotate_angle
movaps xmm0, [sqrt2]
mulps xmm4, xmm0 ; cos
mulps xmm5, xmm0 ; -sin
// rotate
movaps xmm1, xmm2
mulps xmm1, xmm4
movaps xmm0, xmm3
mulps xmm0, xmm5
addps xmm1, xmm0 ; x = x*cos-y*sin
movaps xmm0, xmm3
mulps xmm0, xmm4
mulps xmm2, xmm5
subps xmm0, xmm2 ; y = y*cos+x*sin
movaps xmm2, xmm0
movaps xmm3, xmm1
mulps xmm2, xmm2 ; y^2
mulps xmm3, xmm3 ; x^2
movaps xmm6, [a3]
movaps xmm4, xmm3
mulps xmm4, xmm6 ; xmm4 = x^2 * 15015
movaps xmm5, xmm4 ; xmm5 = xmm4
movaps xmm6, [a2]
mulps xmm6, xmm2
addps xmm4, xmm6 ; xmm4 += a1 * y^2
mulps xmm4, xmm3 ; xmm4 *= x^2
movaps xmm6, [b2]
mulps xmm6, xmm2
addps xmm5, xmm6 ; xmm5 += a1 * y^2
mulps xmm5, xmm3 ; xmm5 *= x^2
movaps xmm6, [a1]
mulps xmm6, xmm2
mulps xmm6, xmm2
addps xmm4, xmm6
mulps xmm4, xmm3
movaps xmm6, [b1]
mulps xmm6, xmm2
mulps xmm6, xmm2
addps xmm5, xmm6
mulps xmm5, xmm3
movaps xmm6, [a0]
mulps xmm6, xmm2
mulps xmm6, xmm2
mulps xmm6, xmm2
addps xmm4, xmm6
mulps xmm4, xmm3
movaps xmm6, [b0]
mulps xmm6, xmm2
mulps xmm6, xmm2
mulps xmm6, xmm2
addps xmm5, xmm6
mulps xmm5, xmm3
mulps xmm4, xmm0 ; xmm4 *= y
mulps xmm5, xmm1 ; xmm5 *= x
rcpps xmm6, xmm5 ; xmm6 = 1 / xmm5
movaps xmm1, xmm6
mulps xmm1, xmm1
mulps xmm1, xmm5 ; xmm1 = xmm6^2 * xmm5
addps xmm6, xmm6 ; xmm6 += xmm6
subps xmm6, xmm1 ; xmm6 -= xmm1
mulps xmm4, xmm6
movaps a, xmm4
subps xmm4, xmm7 ; xmm4 += rotate_angle
movaps z1, xmm4 ; z = xmm4
}
for(int i = 0; i < 4; i++) {
z[i] = z1[i];
}
}