[快速阅读六] 统计内存数据中二进制1的个数（SSE指令集优化版）.
关于这个问题，网络上讨论的很多，可以找到大量的资料，我觉得就就是下面这一篇讲的最好,也非常的全面：
统计无符号整数二进制中 1 的个数（Hamming Weight）
在指令集不参与的情况下，分治法速度最快，MIT HAKMEM 169 算法因为最后有一个mod取余操作，速度要稍微慢一点，256元素的查表算法速度要次之，当然，其实要建议那个256元素的表不要使用int类型，而是使用unsigned char类型的，尽量减少表的内存占用量，也意味着cache miss小一些。 16位的查表算法速度反而慢了不少，主要是因为他用while，即使我们把他展开，也需要8次数据组合，还是比16位的慢。其他的就不要说了，都比较慢。
在SSE4指令集能得到CPU的支持时，可以有一个直接的指令_mm_popcnt_u32可以使用，这个就可以加速很多了，一个常用的过程如下：
Amount = 0;
for (int Y = 0; Y < Length; Y++)
{
Amount += _mm_popcnt_u32(Array[Y]);
}
一千万的随机数据，用这个指令大概只要3.2毫秒多就可以处理完成，如果稍微改下代码，让他能并行化一点，如下所示：
Amount = 0;
for (int Y = 0; Y < Length; Y+=4)
{
int T0 = _mm_popcnt_u32(Array[Y + 0]);
int T1 = _mm_popcnt_u32(Array[Y + 1]);
int T2 = _mm_popcnt_u32(Array[Y + 2]);
int T3 = _mm_popcnt_u32(Array[Y + 3]);
Amount += T0 + T1 + T2 + T3;
}
还可以提高到大约2.7ms就可以处理完。
其实，现在在运行的新的CPU基本上没有那个不支持SSE4的了，但是也不排除还有一些老爷机。因为SSE4最早是2008年发布的，如果CPU不支持SSE4，但是支持SSE3(2004年发布的），那是否有合适的指令集能加速这个过程呢，实际上也是有的。
我们这里喵上了统计无符号整数二进制中 1 的个数（Hamming Weight）一文中的16元素查表算法，原文中的代码为：
Amount = 0;
for (int Y = 0; Y < Length; Y++)
{
unsigned int Value = Array[Y];
while (Value)
{
Amount += Table16[Value & 0xf];
Value >>= 4;
}
}
这个明显是不合适指令处理的，前面说了，这个可以展开，展开后形式如下：
Amount = 0;
for (int Y = 0; Y < Length; Y++)
{
unsigned int Value = Array[Y];
Amount += Table16[Value & 0xf] + Table16[(Value >> 4) & 0xf] + Table16[(Value >> 8) & 0xf] + Table16[(Value >> 12) & 0xf] +
Table16[(Value >> 16) & 0xf] + Table16[(Value >> 20) & 0xf] + Table16[(Value >> 24) & 0xf] + Table16[(Value >> 28) & 0xf];
}
仔细观察他的意思就是提取内存的4位，然后根据4位的值来查16个元素的表，我在之前的多个文章里都有提高，16个元素的表（表内的值不能超过255）是可以借用一个_mm_shuffle_epi8指令进行优化的，一次性得到16个值。
_mm_shuffle_epi8是在SSE3就开始支持的，因此，这一改动可以将硬件的适应性提前4年。
具体的来首，就是我们加载16个字节数据，然后和0xF进行and操作，得到每个字节的低4位，然后进行shuffle，得到每个字节低4位的二进制中1的个数，然后在把原始字节数右移4位，再和0xF进行and操作，得到每个字节的高4位，然后进行shuffle，两次shuffle的结果相加，就得到了这16个字节数据的二进制中1的个数。 具体代码如下所示：
__m128i Table = _mm_loadu_si128((__m128i*)Table16);
__m128i Mask = _mm_set1_epi8(0xf);
__m128i UsedV = _mm_setzero_si128();
for (int Y = 0; Y < Length; Y += 4)
{
__m128i Src = _mm_loadu_si128((__m128i*)(Array + Y));
__m128i SrcL = _mm_and_si128(Src, Mask);
__m128i SrcH = _mm_and_si128(_mm_srli_epi16(Src, 4), Mask);
__m128i ValidL = _mm_shuffle_epi8(Table, SrcL);
__m128i ValidH = _mm_shuffle_epi8(Table, SrcH);
UsedV = _mm_add_epi32(UsedV, _mm_add_epi32(_mm_sad_epu8(ValidL, _mm_setzero_si128()), _mm_sad_epu8(ValidH, _mm_setzero_si128())));
}
// 提取出前面的使用SSE指令计算出的总的有效点数
Amount = _mm_cvtsi128_si32(_mm_add_epi32(UsedV, _mm_unpackhi_epi64(UsedV, UsedV)));
注意到这里的函数除了_mm_shuffle_epi8，其他的都是SSE2就已经能支持的了，其中_mm_sad_epu8可以快速的把16字节结果相加。
使用这个代码，测试上述1千万数据，大概只需要2.1ms就能处理完，比优化后的_mm_popcnt_u32还要快。
实际上，我还遇到一种情况，一个AMD的早期CPU，用CPUID看他支持的指令集，他是支持SSE4.2的，也支持SSE3，但是执行_mm_shuffle_epi8确提示不识别的指令，也是很奇怪，或者说如果遇到一个机器不支持SSE3,只支持SSE2，那是否还能用指令集优化这个算法呢（SSE2是2001年发布的）。
其实也是可以的，我们观察上面的不使用指令集的版本的，特别是分冶法的代码：
Amount = 0;
for (int Y = 0; Y < Length; Y++)
{
unsigned int Value = Array[Y];
Value = (Value & 0x55555555) + ((Value >> 1) & 0x55555555);
Value = (Value & 0x33333333) + ((Value >> 2) & 0x33333333);
Value = (Value & 0x0f0f0f0f) + ((Value >> 4) & 0x0f0f0f0f);
Value = (Value & 0x00ff00ff) + ((Value >> 8) & 0x00ff00ff);
Value = (Value & 0x0000ffff) + ((Value >> 16) & 0x0000ffff);
Amount += Value;
}
这里就是简单的一些位运算和移位，他们对应的指令集在SSE2里都能得到支持的，而且这个改为指令集也是水到渠成的事情：
UsedV = _mm_setzero_si128();
for (int Y = 0; Y < Length; Y += 4)
{
__m128i Value = _mm_loadu_si128((__m128i*)(Array + Y));
Value = _mm_add_epi32(_mm_and_si128(Value, _mm_set1_epi32(0x55555555)), _mm_and_si128(_mm_srli_epi32(Value, 1), _mm_set1_epi32(0x55555555)));
Value = _mm_add_epi32(_mm_and_si128(Value, _mm_set1_epi32(0x33333333)), _mm_and_si128(_mm_srli_epi32(Value, 2), _mm_set1_epi32(0x33333333)));
Value = _mm_add_epi32(_mm_and_si128(Value, _mm_set1_epi32(0x0f0f0f0f)), _mm_and_si128(_mm_srli_epi32(Value, 4), _mm_set1_epi32(0x0f0f0f0f)));
Value = _mm_add_epi32(_mm_and_si128(Value, _mm_set1_epi32(0x00ff00ff)), _mm_and_si128(_mm_srli_epi32(Value, 8), _mm_set1_epi32(0x00ff00ff)));
Value = _mm_add_epi32(_mm_and_si128(Value, _mm_set1_epi32(0x0000ffff)), _mm_and_si128(_mm_srli_epi32(Value, 16), _mm_set1_epi32(0x0000ffff)));
UsedV = _mm_add_epi32(UsedV, Value);
}
// 提取出前面的使用SSE指令计算出的总的有效点数
//Amount = _mm_cvtsi128_si32(_mm_add_epi32(UsedV, _mm_unpackhi_epi64(UsedV, UsedV)));
Amount = UsedV.m128i_u32[0] + UsedV.m128i_u32[1] + UsedV.m128i_u32[2] + UsedV.m128i_u32[3];
这里唯一要注意的就是最后从UsedV 变量得到Amount的过程不能用之前shuffle那一套代码了，因为这里的UsedV的最高位里含有了符号位，所以要换成下面哪一种搞法。
我们注意到，编译运行这个代码后，我们得到的耗时大概是5.2ms，但是同样的数据，前面的分冶法对应的C代码也差不多是5.5ms左右，速度感觉毫无提高，这是怎么回事呢，我们尝试反汇编C的代码，结果发现如下片段：
注意到pand psrld paddd等指令没有，那些就对应了_mm_and_si128 _mm_srli_epi32 _mm_add_epi32等等，原来是编译器已经帮我们向量化了，而且即使在设置里设置 无增强指令 (/arch:IA32) 选项，编译器也会进行向量化（VS2019）。
所以我暂时还得不到这个和纯C比的真正的加速比。
但是，在编译器没有这个向量化能力时，直接手工嵌入SSE2的指令，还是能有明显的加速作用的，不过也可以看到，SSE2的优化速度还是比SSE3的shuffle版本慢一倍的，而sse3的shuffle确可以比SSE4的popcount快30%。
以前我一直在想，这个算法有什么实际的应用呢，有什么地方我会用到统计二进制中1的个数呢，最近确实遇到过了一次。
具体的应用是，我有一堆数据，我要统计出数据中符合某个条件（有可能是多个条件）的目标有多少个，这个时候我们多次应用了_mm_cmpxx_ps等函数组合，最后得到一个Mask，这个时候我们使用_mm_movemask_ps来得到一个标记，我们看看_mm_movemask_ps 这个函数的具体意思：
他返回的是一个0到15之间的整形数据，很明显我们可以把他保存到一个unsigned char类型的变量里，这样，在计算完一堆数据后，我们就得到了一个mask数组，这个时候我们统计下数组里有多少个二进制1就可以得到符合条件的目标数量了。 当然，这里和前面的还不太一样，这个usnigned char变量的高4位一直为0，还可以不用处理的，还能进一步加速。
当然，如果系统支持AVX2，那还可以进一步做速度优化。这个就不多言了。
最后，列一下各个算法的耗时比较数据吧：
相关测试代码地址: 数据流二进制中1的个数统计
如果想时刻关注本人的最新文章，也可关注公众号或者添加本人微信： laviewpbt
