卷积算法中如何使用SSE配合正确的指针算术访问数组？

需求目标 #

仅使用CPU和SSE指令集实现线性卷积算法：

原SSE实现核心错误 #

• 直接将float*强转为__m128*，指针运算步长从1个float变为4个float，下标访问逻辑和标量版本完全不匹配
• 卷积计算中inputSignal[i-j]的起始地址随i、j动态变化，无法保证16字节对齐，直接解引用__m128*等价于对齐加载，会读取错误内存数据

修正后可运行SSE实现 #

#include <xmmintrin.h>

// 依赖用户已定义的全局常量：
// INPUT_SIGNAL_ARRAY_SIZE、IMPULSE_RESPONSE_ARRAY_SIZE、OUTPUT_SIGNAL_ARRAY_SIZE
void computeConvolutionOutputSSE(float* inputSignal, float* impulseResponse, float* outputSignal) {
    const float* pIn = inputSignal;
    const float* pImp = impulseResponse;
    float* pOut = outputSignal;

    const __m128 zeroVec = _mm_setzero_ps();

    // 外层循环每次处理4个连续的输出点，数组大小为4的倍数无需处理尾元素
    for (int i = 0; i < OUTPUT_SIGNAL_ARRAY_SIZE; i += 4) {
        __m128 currOut = zeroVec;
        // 内层遍历所有冲激响应值
        for (int j = 0; j < IMPULSE_RESPONSE_ARRAY_SIZE; j++) {
            int inputIdx = i - j;
            // 边界判断逻辑和标量版本完全一致
            if (inputIdx >= 0 && inputIdx < INPUT_SIGNAL_ARRAY_SIZE) {
                // 非对齐加载4个连续输入值，适配地址随机偏移的场景
                __m128 inVec = _mm_loadu_ps(pIn + inputIdx);
                // 将单个冲激响应值广播为4元素向量
                __m128 impVec = _mm_set1_ps(pImp[j]);
                // 乘加累加计算
                currOut = _mm_add_ps(currOut, _mm_mul_ps(impVec, inVec));
            }
        }
        // 输出数组已16字节对齐，使用对齐存储提升性能
        _mm_store_ps(pOut + i, currOut);
    }
}

关键逻辑说明 #

1. 指针运算统一：全程使用float*做下标计算，偏移规则和标量版本完全一致，避免步长不匹配问题
2. 非对齐加载适配：输入值使用_mm_loadu_ps加载，不需要地址对齐，适配卷积场景下输入起始地址动态变化的特性
3. 广播逻辑匹配：单个冲激响应值通过_mm_set1_ps广播为4个相同值的向量，保证和4个连续输入值相乘的逻辑完全符合卷积计算规则
4. 输出性能优化：输出数组声明时已经做了16字节对齐，因此使用_mm_store_ps做对齐存储，性能优于非对齐存储

可选性能优化建议 #

• 可以提前对输入数组边界外的区域补0，去掉内层循环的if判断，大幅提升执行效率
• 若冲激响应长度固定，可考虑使用FFT实现卷积，时间复杂度从O(N*M)降低到O((N+M)log(N+M))，更适合大数组计算场景

内容的提问来源于stack exchange，提问作者mkip