SIMD-or-Algorithm-0100

Intrinsics，SIMD，再加上 OpenMP

这次很简单，只需在循环上加上 OpenMP 的指示：

#paragm omp parallel for
for(int h = 0; h < 1024; h++) {
    .......

    #paragm omp parallel for
    for(int w = 0; w < 1024; w++) 

    ......
}

You see，现在就剩下比较结果了。

int _tmain(int argc, _TCHAR* argv[]) {INIT_PERF() // 初始化性能计数器

  float perf0 = 0.0, perf1 = 0.0, perf2 = 0.0, perf3 = 0.0; // 分别用来统计 4 种方法的结果
  const int loop = 1000; // 进行 1000 测试

  for (int i = 0; i < loop; i++) perf0 += test_Normal_Filter(); // 传统方法
  for (int i = 0; i < loop; i++) perf1 += test_Normal_OMP_Filter(); // 传统方法 +OMP
  for (int i = 0; i < loop; i++) perf2 += test_SIMD_Filter(); // SIMD 方法
  for (int i = 0; i < loop; i++) perf3 += test_SIMD_OMP_Filter(); // SIMD 方法 +OMP

  cout<<"Counter Freq:"<<m_CounterFreq<<endl; // 计数频率
  cout<<"Perf0:"<<endl<<"Total:"<<perf0<<""<<perf0/loop<<"/per proc"<<endl; // 传统方法的结果
  cout<<"Perf1:"<<endl<<"Total:"<<perf1<<""<<perf1/loop<<"/per proc"<<endl; // 传统方法_OMP
  cout<<"Perf2:"<<endl<<"Total:"<<perf2<<""<<perf2/loop<<"/per proc"<<endl; //SIMD
  cout<<"Perf3:"<<endl<<"Total:"<<perf3<<""<<perf3/loop<<"/per proc"<<endl; // SIMD + OMP

   return 0;
}

结果，传统方法要优于 SIMD 方法!

得出的结论就是：

 如果处理比较简单，像例子中这样没有复杂计算，数据相关性小，适合于流水线发挥作用的情况，注意算法的优化可能带来更好的性能提升。所以，如果“感觉”使用新方法能够提高性能，请先做测试，并比较“优化”前后的结果，然后再决定是否进行“优化”。因为，上面的例子再次证明了，“感觉”有时候（经常是“往往”啦）并不可靠。

good lucky!