<div style="line-height:1.7;color:#000000;font-size:14px;font-family:arial"><div> </div><pre><br>At 2014-10-16 17:20:13,praveen@multicorewareinc.com wrote:
># HG changeset patch
># User Praveen Tiwari
># Date 1413451199 -19800
># Node ID 858be8d7d7176ab6c6d01cf92d00c8478fe99b34
># Parent  79702581ec824a2a375aebe228d69c3930aeea96
>weight_pp avx2 asm code, improved from 8608.65 cycles to 5138.09 cycles over sse version of asm code
>
>diff -r 79702581ec82 -r 858be8d7d717 source/common/x86/pixel-util8.asm
>--- a/source/common/x86/pixel-util8.asm        Wed Oct 15 17:49:35 2014 -0500
>+++ b/source/common/x86/pixel-util8.asm        Thu Oct 16 14:49:59 2014 +0530
>@@ -1375,6 +1375,60 @@
> 
>     RET
> 
>+INIT_YMM avx2
>+cglobal weight_pp, 6, 7, 6
>+
>+    mov          r6d, r6m
>+    shl          r6d, 6           ; m0 = [w0<<6] 
>+    movd         xm0, r6d
>+
>+    movd         xm1, r7m         ; m1 = [round]
>+    punpcklwd    xm0, xm1
>+    pshufd       xm0, xm0, 0 
>+    vinserti128  m0, m0, xm0, 1   ; assuming both (w0<<6) and round are using maximum of 16 bits each, m0 = [w0<<6 round]
</pre><pre>vpbroadcastd is better</pre><pre>and we just use weight_pp in four position, all of them have same stride in r2 & r3, so we can simplify interface and free more register here, you can combo W0 and Round in general register to improve performance.</pre><pre> </pre><pre>>+
>+    movd         xm1, r8m
>+    vpbroadcastd m2, r9m
>+    mova         m5, [pw_1]
>+    sub          r2d, r4d
>+    sub          r3d, r4d
>+
>+.loopH:
>+    mov         r6d, r4d
>+    shr         r6d, 4
</pre><pre>why do Shr every time?</pre><pre>>+.loopW:
>+    movu        xm4, [r0]
>+    pmovzxbw    m4, xm4
</pre><pre>pmovzxbw didn't need aligned address</pre><pre>>+    punpcklwd   m3, m4, m5
>+    pmaddwd     m3, m0
>+    psrad       m3, xm1
>+    paddd       m3, m2
>+
>+    punpckhwd   m4, m5
>+    pmaddwd     m4, m0
>+    psrad       m4, xm1
>+    paddd       m4, m2
>+
>+    packssdw    m3, m4
>+    vextracti128 xm4, m3, 1
>+    packuswb    m3, m4
</pre><pre>How about vpermq+packuswb(xm3)?</pre><pre>>+    movu        [r1], xm3
>+
>+    add         r0, 16
>+    add         r1, 16
>+
>+    dec         r6d
>+    jnz         .loopW
>+
>+    lea         r0, [r0 + r2]
>+    lea         r1, [r1 + r3]
>+
>+    dec         r5d
>+    jnz         .loopH
>+
>+    RET
</pre></div>