测试 xmm/ymm 寄存器是否为零的更快方法？
Faster way to test if xmm/ymm register is zero?
幸运的是PTEST 不影响进位标志，只是设置了（相当笨拙的）ZF。同时影响CF和ZF。
我想出了以下序列来测试大量值，但我对可怜的 运行宁时间不满意。
Latency / rThoughput
setup:
xor eax,eax ; na
vpxor xmm0,xmm0 ; na ;mask to use for the nand operation of ptest
work:
vptest xmm4,xmm0 ; 3 1 ;is xmm4 alive?
adc eax,eax ; 1 1 ;move first bit into eax
vptest xmm5,xmm0 ; 3 1 ;is N alive?
adc eax,eax ; 1 1 ;move consecutive bits into eax
我想要eax中所有非零寄存器的位图（显然我可以在多个寄存器中组合多个位图）。
因此每个测试都有 3+1 = 4 个周期的延迟。
其中一些可以通过 eax、ecx 等
之间的交替 运行 并行
但是还是很慢。
有更快的方法吗？
我需要连续测试 8 个 xmm/ymm 寄存器。单字节位图中每个寄存器 1 位。
而不是 "quite slow" 你现有的方法实际上是合理的。
当然每个单独的测试都有一个 latency 4 个周期 1，但是如果你想要通用的结果注册你无论如何，通常都会为该移动支付 3 个周期的延迟（例如，movmskb 也有 3 个周期的延迟）。在任何情况下，您想要测试 8 个寄存器，并且您不会简单地添加延迟，因为每个寄存器大部分都是独立的，因此 uop 计数和端口使用最终可能比测试单个寄存器的延迟更重要，因为大多数情况下的延迟将与其他工作重叠。
一种在 Intel 硬件上可能会更快一点的方法是使用连续的 PCMPEQ 指令来测试多个向量，然后将结果折叠在一起（例如，如果您使用 PCMPEQQ，您实际上有 4四字结果，需要将它们 and-fold 化为 1)。您可以在 PCMPEQ 之前或之后弃牌，但了解更多有关 how/where 的信息会有助于您得出更好的结果。这是 8 个寄存器的未经测试的草图，xmm1-8，xmm0 假定为零，xmm14 是最后一条指令中使用的 select 备用字节的 pblendvb 掩码。
# test the 2 qwords in each vector against zero
vpcmpeqq xmm11, xmm1, xmm0
vpcmpeqq xmm12, xmm3, xmm0
vpcmpeqq xmm13, xmm5, xmm0
vpcmpeqq xmm14, xmm7, xmm0
# blend the results down into xmm10 word origin
vpblendw xmm10, xmm11, xmm12, 0xAA # 3131 3131
vpblendw xmm13, xmm13, xmm14, 0xAA # 7575 7575
vpblendw xmm10, xmm10, xmm13, 0xCC # 7531 7531
# test the 2 qwords in each vector against zero
vpcmpeqq xmm11, xmm2, xmm0
vpcmpeqq xmm12, xmm4, xmm0
vpcmpeqq xmm13, xmm6, xmm0
vpcmpeqq xmm14, xmm8, xmm0
# blend the results down into xmm11 word origin
vpblendw xmm11, xmm11, xmm12, 0xAA # 4242 4242
vpblendw xmm13, xmm13, xmm14, 0xAA # 8686 8686
vpblendw xmm11, xmm11, xmm13, 0xCC # 8642 8642
# blend xmm10 and xmm11 together int xmm100, byte-wise
# origin bytes
# xmm10 77553311 77553311
# xmm11 88664422 88664422
# res 87654321 87654321
vpblendvb xmm10, xmm10, xmm11, xmm15
# move the mask bits into eax
vpmovmskb eax, xmm10
and al, ah
直觉是你测试每个 xmm 中的每个 QWORD 是否为零，为 8 个寄存器给出 16 个结果，然后你将结果混合到 xmm10 中结束每个字节一个结果，按顺序（所有 high-QWORD 结果在所有 low-QWORD 结果之前）。然后将这些 16 字节掩码作为 16 位移动到 eax 和 movmskb 中，最后将 eax.[=39= 中每个寄存器的高位和低位 QWORD 组合起来]
在我看来，对于 8 个寄存器，总共 16 微指令，因此每个寄存器大约 2 微指令。总延迟是合理的，因为它主要是 "reduce" 类型的并行树。一个限制因素是 6 vpblendw 操作，它们都只到现代英特尔的端口 5。最好用 VPBLENDD 替换其中的 4 个 VPBLENDD，这是一个 "blessed" 混合到 p015 中的任何一个。那应该很简单。
所有操作都简单快捷。最后的 and al, ah 是一个部分寄存器写入，但是如果你 mov 它之后进入 eax 也许没有惩罚。如果这是一个问题，你也可以用几种不同的方式来做最后一行......
这种方法也自然地扩展到 ymm 寄存器，最后 eax 中的折叠略有不同。
编辑
稍微快一点的结局使用压缩移位来避免两条昂贵的指令：
;combine bytes of xmm10 and xmm11 together into xmm10, byte wise
; xmm10 77553311 77553311
; xmm11 88664422 88664422 before shift
; xmm10 07050301 07050301
; xmm11 80604020 80604020 after shift
;result 87654321 87654321 combined
vpsrlw xmm10,xmm10,8
vpsllw xmm11,xmm11,8
vpor xmm10,xmm10,xmm11
;combine the low and high dqword to make sure both are zero.
vpsrldq xmm12,xmm10,64
vpand xmm10,xmm12
vpmovmskb eax,xmm10
这通过避免 2 个周期 vpblendvb 和 or al,ah 的部分写惩罚节省了 2 个周期，如果不需要，它还修复了对慢 vpmovmskb 的依赖立即使用该指令的结果。
1其实好像只有Skylake上PTEST有3个周期的延迟，之前好像是2个。我也不是确定您为 rcl eax, 1 列出的 1 个周期延迟：根据 Agner 的说法，现代英特尔似乎是 3 微指令和 2 个周期 latency/recip 吞吐量。
幸运的是PTEST 不影响进位标志，只是设置了（相当笨拙的）ZF。同时影响CF和ZF。
我想出了以下序列来测试大量值，但我对可怜的 运行宁时间不满意。
Latency / rThoughput
setup:
xor eax,eax ; na
vpxor xmm0,xmm0 ; na ;mask to use for the nand operation of ptest
work:
vptest xmm4,xmm0 ; 3 1 ;is xmm4 alive?
adc eax,eax ; 1 1 ;move first bit into eax
vptest xmm5,xmm0 ; 3 1 ;is N alive?
adc eax,eax ; 1 1 ;move consecutive bits into eax
我想要eax中所有非零寄存器的位图（显然我可以在多个寄存器中组合多个位图）。
因此每个测试都有 3+1 = 4 个周期的延迟。
其中一些可以通过 eax、ecx 等
之间的交替 运行 并行
但是还是很慢。
有更快的方法吗？
我需要连续测试 8 个 xmm/ymm 寄存器。单字节位图中每个寄存器 1 位。
而不是 "quite slow" 你现有的方法实际上是合理的。
当然每个单独的测试都有一个 latency 4 个周期 1，但是如果你想要通用的结果注册你无论如何，通常都会为该移动支付 3 个周期的延迟（例如，movmskb 也有 3 个周期的延迟）。在任何情况下，您想要测试 8 个寄存器，并且您不会简单地添加延迟，因为每个寄存器大部分都是独立的，因此 uop 计数和端口使用最终可能比测试单个寄存器的延迟更重要，因为大多数情况下的延迟将与其他工作重叠。
一种在 Intel 硬件上可能会更快一点的方法是使用连续的 PCMPEQ 指令来测试多个向量，然后将结果折叠在一起（例如，如果您使用 PCMPEQQ，您实际上有 4四字结果，需要将它们 and-fold 化为 1)。您可以在 PCMPEQ 之前或之后弃牌，但了解更多有关 how/where 的信息会有助于您得出更好的结果。这是 8 个寄存器的未经测试的草图，xmm1-8，xmm0 假定为零，xmm14 是最后一条指令中使用的 select 备用字节的 pblendvb 掩码。
# test the 2 qwords in each vector against zero
vpcmpeqq xmm11, xmm1, xmm0
vpcmpeqq xmm12, xmm3, xmm0
vpcmpeqq xmm13, xmm5, xmm0
vpcmpeqq xmm14, xmm7, xmm0
# blend the results down into xmm10 word origin
vpblendw xmm10, xmm11, xmm12, 0xAA # 3131 3131
vpblendw xmm13, xmm13, xmm14, 0xAA # 7575 7575
vpblendw xmm10, xmm10, xmm13, 0xCC # 7531 7531
# test the 2 qwords in each vector against zero
vpcmpeqq xmm11, xmm2, xmm0
vpcmpeqq xmm12, xmm4, xmm0
vpcmpeqq xmm13, xmm6, xmm0
vpcmpeqq xmm14, xmm8, xmm0
# blend the results down into xmm11 word origin
vpblendw xmm11, xmm11, xmm12, 0xAA # 4242 4242
vpblendw xmm13, xmm13, xmm14, 0xAA # 8686 8686
vpblendw xmm11, xmm11, xmm13, 0xCC # 8642 8642
# blend xmm10 and xmm11 together int xmm100, byte-wise
# origin bytes
# xmm10 77553311 77553311
# xmm11 88664422 88664422
# res 87654321 87654321
vpblendvb xmm10, xmm10, xmm11, xmm15
# move the mask bits into eax
vpmovmskb eax, xmm10
and al, ah
直觉是你测试每个 xmm 中的每个 QWORD 是否为零，为 8 个寄存器给出 16 个结果，然后你将结果混合到 xmm10 中结束每个字节一个结果，按顺序（所有 high-QWORD 结果在所有 low-QWORD 结果之前）。然后将这些 16 字节掩码作为 16 位移动到 eax 和 movmskb 中，最后将 eax.[=39= 中每个寄存器的高位和低位 QWORD 组合起来]
在我看来，对于 8 个寄存器，总共 16 微指令，因此每个寄存器大约 2 微指令。总延迟是合理的，因为它主要是 "reduce" 类型的并行树。一个限制因素是 6 vpblendw 操作，它们都只到现代英特尔的端口 5。最好用 VPBLENDD 替换其中的 4 个 VPBLENDD，这是一个 "blessed" 混合到 p015 中的任何一个。那应该很简单。
所有操作都简单快捷。最后的 and al, ah 是一个部分寄存器写入，但是如果你 mov 它之后进入 eax 也许没有惩罚。如果这是一个问题，你也可以用几种不同的方式来做最后一行......
这种方法也自然地扩展到 ymm 寄存器，最后 eax 中的折叠略有不同。
编辑
稍微快一点的结局使用压缩移位来避免两条昂贵的指令：
;combine bytes of xmm10 and xmm11 together into xmm10, byte wise
; xmm10 77553311 77553311
; xmm11 88664422 88664422 before shift
; xmm10 07050301 07050301
; xmm11 80604020 80604020 after shift
;result 87654321 87654321 combined
vpsrlw xmm10,xmm10,8
vpsllw xmm11,xmm11,8
vpor xmm10,xmm10,xmm11
;combine the low and high dqword to make sure both are zero.
vpsrldq xmm12,xmm10,64
vpand xmm10,xmm12
vpmovmskb eax,xmm10
这通过避免 2 个周期 vpblendvb 和 or al,ah 的部分写惩罚节省了 2 个周期，如果不需要，它还修复了对慢 vpmovmskb 的依赖立即使用该指令的结果。
1其实好像只有Skylake上PTEST有3个周期的延迟，之前好像是2个。我也不是确定您为 rcl eax, 1 列出的 1 个周期延迟：根据 Agner 的说法，现代英特尔似乎是 3 微指令和 2 个周期 latency/recip 吞吐量。