AVX2 优化 C++ 混响算法

这里 是一份 C++ 混响算法的实现，修正掉索引下溢 BUG 后大概是这样：

size_t samples = file.file_size / 4;
size_t ir_samples = sizeof(ir) / 4;
for (size_t i = 0; i < samples; ++i)
{
    for (size_t j = 0; j < ir_samples && i >= j; ++j) 
    {
        file.out_file_data[i] += file.in_file_data[i - j] * ir[j];
    }
}

在我的 Intel i7-7700 4 核机器上，混响一段 60s、单声道、float 采样的 pcm 音频需要 12452 ms 的时间。

内层循环是一个一维卷积，累加当前采样点之前所有采样点的混响（乘法）效果，展开后寻找规律：

out[0] = in[0] * ir[0]

out[1] = in[1] * ir[0]
       + in[0] * ir[1]
       
out[2] = in[2] * ir[0]
       + in[1] * ir[1]
       + in[0] * ir[2]
       
......

out[7] = in[7] * ir[0]
       + in[6] * ir[1]
       + in[5] * ir[2]
       + in[4] * ir[3]
       + in[3] * ir[4]
       + in[2] * ir[5]
       + in[1] * ir[6]
       + in[0] * ir[7]

......

out[n] = in[n] * ir[0]
       + in[n-1] * ir[1]
       + ...
       + in[0] * ir[n]

AVX2 一次处理 8 个 float 数据，所以前 7 个采样的混响需要用 0 补齐，7 之后的采样就可以自后往前每次处理 8 个采样的混响和累加了；j 的步进也应该从 1 变成 8。

优化后，代码变成这个样子：

size_t samples = file.file_size / 4;
size_t ir_samples = sizeof(ir) / 4;
for (size_t i = 0; i < samples; ++i)
{
    __m256 out = { 0 };
    for (size_t j = 0; j < ir_samples && i >= j; j += 8) 
    {
        __m256 mm256_ir = _mm256_load_ps(ir + j);
        __m256 in;
        switch (i - j)
        {
            // _mm256_set_ps 以逆序加载数据，即第一个参数对应 out.m256_f32[7]，最后一个参数对应 out.m256_f32[0]
        case 0:
            in = _mm256_set_ps(0, 0, 0, 0, 0, 0, 0, file.in_file_data[0]);
            break;
        case 1:
            in = _mm256_set_ps(0, 0, 0, 0, 0, 0, file.in_file_data[0], file.in_file_data[1]);
            break;
        case 2:
            in = _mm256_set_ps(0, 0, 0, 0, 0, file.in_file_data[0], file.in_file_data[1], file.in_file_data[2]);
            break;
        case 3:
            in = _mm256_set_ps(0, 0, 0, 0, file.in_file_data[0], file.in_file_data[1], file.in_file_data[2], file.in_file_data[3]);
            break;
        case 4:
            in = _mm256_set_ps(0, 0, 0, file.in_file_data[0], file.in_file_data[1], file.in_file_data[2], file.in_file_data[3], file.in_file_data[4]);
            break;
        case 5:
            in = _mm256_set_ps(0, 0, file.in_file_data[0], file.in_file_data[1], file.in_file_data[2], file.in_file_data[3], file.in_file_data[4], file.in_file_data[5]);
            break;
        case 6:
            in = _mm256_set_ps(0, file.in_file_data[0], file.in_file_data[1], file.in_file_data[2], file.in_file_data[3], file.in_file_data[4], file.in_file_data[5], file.in_file_data[6]);
            break;
        default:
            in = _mm256_set_ps(file.in_file_data[i - j - 7], file.in_file_data[i - j - 6], file.in_file_data[i - j - 5], file.in_file_data[i - j - 4], file.in_file_data[i - j - 3], file.in_file_data[i - j - 2], file.in_file_data[i - j - 1], file.in_file_data[i - j]);
            break;
        }
        out = _mm256_fmadd_ps(in, mm256_ir, out);
    }
    file.out_file_data[i] = out.m256_f32[0] + out.m256_f32[1] + out.m256_f32[2] + out.m256_f32[3] + out.m256_f32[4] + out.m256_f32[5] + out.m256_f32[6] + out.m256_f32[7];
}

耗时优化到了 1285 ms，性能提升了约 9.7 倍，超过了 AVX2 8 倍的理论时间上限，也可见编译器对 switch 分支优化的厉害程度。

完整测试项目在这里。