<div style="line-height:1.7;color:#000000;font-size:14px;font-family:arial"><div> </div><pre><br>At 2014-09-22 21:15:57,sagar@multicorewareinc.com wrote:
># HG changeset patch
># User Sagar Kotecha <a href="mailto:sagar@multicorewareinc.com>># Date 1411391728 -19800>#      Mon Sep 22 18:45:28 2014 +0530># Node ID 2fb0a3286265a757c94a36cec0695817116d5260># Parent  fd435504f15e0b13dabba9efe0aa94e7047060b5>add avx version for chroma_copy_ss 16x4, 16x8, 16x12, 16x16, 16x24, 16x32, 16x64 based on csp, approx 1.5x-2x speedup over SSE>>diff -r fd435504f15e -r 2fb0a3286265 source/common/x86/asm-primitives.cpp">sagar@multicorewareinc.com>
># Date 1411391728 -19800
>#      Mon Sep 22 18:45:28 2014 +0530
># Node ID 2fb0a3286265a757c94a36cec0695817116d5260
># Parent  fd435504f15e0b13dabba9efe0aa94e7047060b5
>add avx version for chroma_copy_ss 16x4, 16x8, 16x12, 16x16, 16x24, 16x32, 16x64 based on csp, approx 1.5x-2x speedup over SSE
>
</a>--- a/source/common/x86/blockcopy8.asm   Mon Sep 22 13:14:54 2014 +0530
>+++ b/source/common/x86/blockcopy8.asm Mon Sep 22 18:45:28 2014 +0530
>@@ -2904,6 +2904,46 @@
> BLOCKCOPY_SS_W16_H4 16, 12
> 
> ;-----------------------------------------------------------------------------
>+; void blockcopy_ss_16x4(int16_t *dest, intptr_t deststride, int16_t *src, intptr_t srcstride)
>+;-----------------------------------------------------------------------------
>+%macro BLOCKCOPY_SS_W16_H4_avx 2
>+INIT_YMM avx
>+cglobal blockcopy_ss_%1x%2, 4, 5, 2
>+    mov     r4d, %2/4
>+    add     r1, r1
>+    add     r3, r3
>+.loop:
>+    movu    m0, [r2]
>+    movu    m1, [r2 + r3]
>+
>+    movu    [r0], m0
>+    movu    [r0 + r1], m1
>+
>+    lea     r2, [r2 + 2 * r3]
>+    lea     r0, [r0 + 2 * r1]
</pre><pre>you have more free register, so you may buffer r1*3 and r3*3, to reduce 2 of LEA</pre><pre>>+
>+    movu    m0, [r2]
>+    movu    m1, [r2 + r3]
</pre><pre>>+    movu    [r0], m0
>+    movu    [r0 + r1], m1
>+
>+    dec     r4d
>+    lea     r0, [r0 + 2 * r1]
>+    lea     r2, [r2 + 2 * r3]
</pre><pre>after above optimize, you can replace factor to 4 here</pre><pre>>+    jnz     .loop
</pre><pre>dec+jnz may reduce 1 uops, it is 'micro fusion' in newer CPU</pre><pre>>+    RET
>+%endmacro
</pre></div>