最近研究x264匯編代碼，感覺使用到的優化思想和手法非常不錯，在此寫一個demon來記錄我學習過程
- 從搭建環境開始
x264使用匯編優化的思想是將匯編代碼編譯到一個靜態庫里，供C代碼調用，所以首先需要構建一個匯編函數得靜態庫。因為手動配置使用yasm來編譯匯編文件，並生成一個lib相當麻煩，我選擇的是使用cmake來構建。
在demon里有一個sum.asm的匯編文件，文件里是所有的匯編函數，通過yasm編譯后生成sum.obj，然后通過sum.obj來創建一個sum.lib庫供C代碼使用。還有一個main。c的C文件，用來生成可執行文件main，CMakeLists.txt文件如下：
cmake_minimum_required(VERSION 3.0.00)
project (asm)
find_program(YASM_EXECUTABLE
NAMES yasm yasm-1.2.0-win32 yasm-1.2.0-win64
HINTS $ENV{YASM_ROOT} ${YASM_ROOT}
PATH_SUFFIXES bin
)
set(FLAGS -f win64 -DARCH_X86_64=1)
add_custom_command(
OUTPUT sum.obj
COMMAND ${YASM_EXECUTABLE} ARGS ${FLAGS} ../source/sum.asm -o sum.obj
DEPENDS sum.asm)
#添加靜態庫sum
add_library( sum STATIC sum.obj sum.asm )
set_target_properties(sum PROPERTIES LINKER_LANGUAGE C)
#添加使用靜態庫的可執行程序main
add_executable( main main.c )
target_link_libraries(main sum )
其中find_program是在系統環境變量中尋找看是否有yasm匯編器，在此假設是有的。
需要注意的是在COMMAND ${YASM_EXECUTABLE} ARGS ${FLAGS} ../source/sum.asm -o sum.obj中指定匯編文件的路徑得是相對與工程文件所在的相對路徑，所以這里是../source/sum.asm
至此環境搭建完畢，使用cmake就能生成需要的匯編lib工程和調用匯編函數得可執行文件工程。在vs上如下圖所示
- 關於匯編
先寫一個最簡單的例子（在此針對的是64bit匯編），假設main函數里需要對兩個數字求和，代碼如下：
1 int sum(int a, int b);//此函數通過匯編實現 2 3 int main(int argc, char *argv[]) 4 { 5 int num = sum(2, 3); 6 return 0; 7 }
那麽對應的匯編實現sum函數的代碼如下：
1 global sum 2 3 sum: 4 5 add ecx, edx ;直接使用ecx和edx寄存器中的參數 6 mov eax, ecx 7 8 ret
這是一個最簡單的C調用匯編函數得demon，在寫匯編函數的時候碰到了以下問題：
- 之前學習的都是32位匯編的時候，函數參數的傳遞都是通過棧來完成的，在64位匯編中，前四個參數是通過寄存器rcx、rdx、r8、r9來傳遞的，只有參數個數大於4個后才通過棧來傳遞，所在在以上匯編代碼中直接使用了寄存器ecx和edx中的值
當函數參數個數大於4時，假設C代碼如下：
1 int sum(int a, int b, int c, int d, int e); 2 3 int main(int argc, char *argv[]) 4 { 5 int num = sum(2, 3, 4, 5, 6); 6 return 0; 7 }
對應的匯編代碼如下：
1 global sum 2 3 sum: 4 5 add rcx, rdx 6 add rcx, r8 7 add rcx, r9 8 9 mov rdx, [rsp + 40] ;從棧中取出第5個參數放入rdx寄存器 10 add rcx, rdx 11 12 mov rax, rcx 13 14 ret
此處需要注意的是：前四個參數是通過寄存器傳遞，從棧中取出第五個參數時，並不是從rsp+8的地方取，而是從rsp+40（40 = 4*8 + 8）的地方取，說明雖然前四個參數是通過寄存器傳遞，但是在棧中還是占用了相應的空間，我對此的理解是為了__stdcall和__cdecll的兼容吧。
- 使用指令集優化（SSE AVX等）
首先來看一下SIMD寄存器
SSE使用到的SIMD寄存器是128bit，一共有16個，從XMM0到XMM15
AVX拓展出來的SIMD寄存器是256bit，一共也是16個，從YMM0到YMM16，當然AVX也能使用SSE的XMM寄存器
AVX2.0的時候將寄存器拓展到了512bit，一共有32個，從ZMM0到ZMM31
假設我們的main函數是對兩個數組進行求和，代碼如下：
1 #define N 8 2 3 int sum(float a[], float b[]); 4 5 int sum_c(float a[], float b[]) 6 { 7 for (int i = 0; i < N; i++) 8 { 9 a[i] += b[i]; 10 } 11 return 0; 12 } 13 14 int main(int argc, char *argv[]) 15 { 16 float a[N] = { 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0 }; 17 float b[N] = { 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0 }; 18 //將數組b[N]中的數據加到數組a[n]中 19 sum_c(a, b);//不使用匯編優化 20 sum(a, b);//使用匯編優化 21 return 0; 22 }
可以看到，不使用匯編優化的話，在sum_c函數中，我們需要依次計算出a[i] + b[i]的和並保存在a[i]中。
如果使用SSE指令集優化的話，代碼如下：
1 global sum 2 3 sum: 4 5 movups xmm0, [rcx] 6 movups xmm1, [rdx] 7 movups xmm2, [rcx + 16] 8 movups xmm3, [rdx + 16] 9 10 addps xmm0, xmm1 11 addps xmm2, xmm3 12 13 movups [rcx], xmm0 14 movups [rcx + 16], xmm2 15 16 ret
可以看到，只需要進行兩次加法運算就能計算出a[8]和b[8]中8個數字相加的和，這里需要進行兩次計算是因為xmm寄存器是128bit，所以每次只能計算4個float數據，8個數據得分兩次計算。
使用AVX指令集優化代碼如下：
1 global sum 2 3 sum: 4 5 vmovups ymm1, [rcx] 6 vmovups ymm2, [rdx] 7 8 vaddps ymm0, ymm1, ymm2 9 vmovups [rcx], ymm0 10 11 ret
因為AVX使用到了256bit的ymm寄存器，所以一次可以處理8個32bit的float數據，一次計算就能完成兩組8個float數據分別的求和操作。