如何将 32 位浮点数转换为 8 位有符号字符？ （int32 到 int8 的 4:1 包装 __m256i）
How to convert 32-bit float to 8-bit signed char? (4:1 packing of int32 to int8 __m256i)
我想做的是：
- 将输入的浮点数乘以一个固定因子。
- 将它们转换为 8 位有符号字符。
请注意，大多数输入的值的绝对范围很小，例如 [-6, 6]，因此固定因子可以将它们映射到 [-127, 127]。
我只在 avx2 指令集上工作，所以不能使用像 _mm256_cvtepi32_epi8 这样的内部函数。我想使用 _mm256_packs_epi16 但它将两个输入混合在一起。 :(
我还写了一些将 32 位浮点数转换为 16 位整数的代码，它完全符合我的要求。
void Quantize(const float* input, __m256i* output, float quant_mult, int num_rows, int width) {
// input is a matrix actuaaly, num_rows and width represent the number of rows and columns of the matrix
assert(width % 16 == 0);
int num_input_chunks = width / 16;
__m256 avx2_quant_mult = _mm256_set_ps(quant_mult, quant_mult, quant_mult, quant_mult,
quant_mult, quant_mult, quant_mult, quant_mult);
for (int i = 0; i < num_rows; ++i) {
const float* input_row = input + i * width;
__m256i* output_row = output + i * num_input_chunks;
for (int j = 0; j < num_input_chunks; ++j) {
const float* x = input_row + j * 16;
// Process 16 floats at once, since each __m256i can contain 16 16-bit integers.
__m256 f_0 = _mm256_loadu_ps(x);
__m256 f_1 = _mm256_loadu_ps(x + 8);
__m256 m_0 = _mm256_mul_ps(f_0, avx2_quant_mult);
__m256 m_1 = _mm256_mul_ps(f_1, avx2_quant_mult);
__m256i i_0 = _mm256_cvtps_epi32(m_0);
__m256i i_1 = _mm256_cvtps_epi32(m_1);
*(output_row + j) = _mm256_packs_epi32(i_0, i_1);
}
}
}
欢迎任何帮助，非常感谢！
对于多个源向量的良好吞吐量，一件好事 _mm256_packs_epi16 有 2 个输入向量而不是产生更窄的输出。 （AVX512 _mm256_cvtepi32_epi8 不一定是最有效的做事方式，因为带有内存目标的版本解码为多个微指令，或者常规版本为您提供多个需要单独存储的小输出。）
或者你在抱怨它如何在车道内运作？是的，这很烦人，但是 _mm256_packs_epi32 做同样的事情。如果你的输出可以有交错的数据组，那么也做同样的事情。
最好的办法是将 4 个向量合并为 1 个，分 2 步进行车道内包装（因为没有车道交叉包装）。那就用一次过马路shuffle来解决吧
#include <immintrin.h>
// loads 128 bytes = 32 floats
// converts and packs with signed saturation to 32 int8_t
__m256i pack_float_int8(const float*p) {
__m256i a = _mm256_cvtps_epi32(_mm256_loadu_ps(p));
__m256i b = _mm256_cvtps_epi32(_mm256_loadu_ps(p+8));
__m256i c = _mm256_cvtps_epi32(_mm256_loadu_ps(p+16));
__m256i d = _mm256_cvtps_epi32(_mm256_loadu_ps(p+24));
__m256i ab = _mm256_packs_epi32(a,b); // 16x int16_t
__m256i cd = _mm256_packs_epi32(c,d);
__m256i abcd = _mm256_packs_epi16(ab, cd); // 32x int8_t
// packed to one vector, but in [ a_lo, b_lo, c_lo, d_lo | a_hi, b_hi, c_hi, d_hi ] order
// if you can deal with that in-memory format (e.g. for later in-lane unpack), great, you're done
// but if you need sequential order, then vpermd:
__m256i lanefix = _mm256_permutevar8x32_epi32(abcd, _mm256_setr_epi32(0,4, 1,5, 2,6, 3,7));
return lanefix;
}
(Compiles nicely on the Godbolt compiler explorer).
在循环中调用它，_mm256_store_si256 生成向量。
(For uint8_t unsigned destination, use _mm256_packus_epi16 for the 16->8 step and keep everything else the same. We still use signed 32 ->16 打包，因为 16 -> u8 vpackuswb 打包仍然将其 epi16 输入 视为已签名。您需要将 -1 视为 -1，而不是 +0xFFFF，因为无符号饱和度将其限制为 0。）
每 256 位存储总计 4 次随机播放，每个时钟吞吐量 1 次随机播放将成为 Intel CPU 的瓶颈。您应该获得每个时钟一个浮点矢量的吞吐量，在端口 5 上出现瓶颈。 (https://agner.org/optimize/)。或者，如果 L2 中的数据不热，内存带宽可能会出现瓶颈。
如果只有单个向量，可以考虑使用_mm256_shuffle_epi8将每个epi32元素的低字节放入每个元素的低32位车道，然后 _mm256_permutevar8x32_epi32 用于车道交叉。
另一个单向量替代方案（在 Ryzen 上很好）是 extracti128 + 128 位 packssdw + packsswb。但是，如果你只是做一个单一的向量，那仍然是好的。 （仍然在 Ryzen 上，您将希望在 128 位向量中工作以避免额外的通道交叉洗牌，因为 Ryzen 将每个 256 位指令拆分为（至少）2 个 128 位微指令。）
相关：
请查看IEEE754标准格式来存储float值，先了解这个float和double如何存储在内存中，然后你才知道如何将float或double转换为char，很简单。
我想做的是：
- 将输入的浮点数乘以一个固定因子。
- 将它们转换为 8 位有符号字符。
请注意，大多数输入的值的绝对范围很小，例如 [-6, 6]，因此固定因子可以将它们映射到 [-127, 127]。
我只在 avx2 指令集上工作，所以不能使用像 _mm256_cvtepi32_epi8 这样的内部函数。我想使用 _mm256_packs_epi16 但它将两个输入混合在一起。 :(
我还写了一些将 32 位浮点数转换为 16 位整数的代码，它完全符合我的要求。
void Quantize(const float* input, __m256i* output, float quant_mult, int num_rows, int width) {
// input is a matrix actuaaly, num_rows and width represent the number of rows and columns of the matrix
assert(width % 16 == 0);
int num_input_chunks = width / 16;
__m256 avx2_quant_mult = _mm256_set_ps(quant_mult, quant_mult, quant_mult, quant_mult,
quant_mult, quant_mult, quant_mult, quant_mult);
for (int i = 0; i < num_rows; ++i) {
const float* input_row = input + i * width;
__m256i* output_row = output + i * num_input_chunks;
for (int j = 0; j < num_input_chunks; ++j) {
const float* x = input_row + j * 16;
// Process 16 floats at once, since each __m256i can contain 16 16-bit integers.
__m256 f_0 = _mm256_loadu_ps(x);
__m256 f_1 = _mm256_loadu_ps(x + 8);
__m256 m_0 = _mm256_mul_ps(f_0, avx2_quant_mult);
__m256 m_1 = _mm256_mul_ps(f_1, avx2_quant_mult);
__m256i i_0 = _mm256_cvtps_epi32(m_0);
__m256i i_1 = _mm256_cvtps_epi32(m_1);
*(output_row + j) = _mm256_packs_epi32(i_0, i_1);
}
}
}
欢迎任何帮助，非常感谢！
对于多个源向量的良好吞吐量，一件好事 _mm256_packs_epi16 有 2 个输入向量而不是产生更窄的输出。 （AVX512 _mm256_cvtepi32_epi8 不一定是最有效的做事方式，因为带有内存目标的版本解码为多个微指令，或者常规版本为您提供多个需要单独存储的小输出。）
或者你在抱怨它如何在车道内运作？是的，这很烦人，但是 _mm256_packs_epi32 做同样的事情。如果你的输出可以有交错的数据组，那么也做同样的事情。
最好的办法是将 4 个向量合并为 1 个，分 2 步进行车道内包装（因为没有车道交叉包装）。那就用一次过马路shuffle来解决吧
#include <immintrin.h>
// loads 128 bytes = 32 floats
// converts and packs with signed saturation to 32 int8_t
__m256i pack_float_int8(const float*p) {
__m256i a = _mm256_cvtps_epi32(_mm256_loadu_ps(p));
__m256i b = _mm256_cvtps_epi32(_mm256_loadu_ps(p+8));
__m256i c = _mm256_cvtps_epi32(_mm256_loadu_ps(p+16));
__m256i d = _mm256_cvtps_epi32(_mm256_loadu_ps(p+24));
__m256i ab = _mm256_packs_epi32(a,b); // 16x int16_t
__m256i cd = _mm256_packs_epi32(c,d);
__m256i abcd = _mm256_packs_epi16(ab, cd); // 32x int8_t
// packed to one vector, but in [ a_lo, b_lo, c_lo, d_lo | a_hi, b_hi, c_hi, d_hi ] order
// if you can deal with that in-memory format (e.g. for later in-lane unpack), great, you're done
// but if you need sequential order, then vpermd:
__m256i lanefix = _mm256_permutevar8x32_epi32(abcd, _mm256_setr_epi32(0,4, 1,5, 2,6, 3,7));
return lanefix;
}
(Compiles nicely on the Godbolt compiler explorer).
在循环中调用它，_mm256_store_si256 生成向量。
(For uint8_t unsigned destination, use _mm256_packus_epi16 for the 16->8 step and keep everything else the same. We still use signed 32 ->16 打包，因为 16 -> u8 vpackuswb 打包仍然将其 epi16 输入 视为已签名。您需要将 -1 视为 -1，而不是 +0xFFFF，因为无符号饱和度将其限制为 0。）
每 256 位存储总计 4 次随机播放，每个时钟吞吐量 1 次随机播放将成为 Intel CPU 的瓶颈。您应该获得每个时钟一个浮点矢量的吞吐量，在端口 5 上出现瓶颈。 (https://agner.org/optimize/)。或者，如果 L2 中的数据不热，内存带宽可能会出现瓶颈。
如果只有单个向量，可以考虑使用_mm256_shuffle_epi8将每个epi32元素的低字节放入每个元素的低32位车道，然后 _mm256_permutevar8x32_epi32 用于车道交叉。
另一个单向量替代方案（在 Ryzen 上很好）是 extracti128 + 128 位 packssdw + packsswb。但是，如果你只是做一个单一的向量，那仍然是好的。 （仍然在 Ryzen 上，您将希望在 128 位向量中工作以避免额外的通道交叉洗牌，因为 Ryzen 将每个 256 位指令拆分为（至少）2 个 128 位微指令。）
相关：
请查看IEEE754标准格式来存储float值，先了解这个float和double如何存储在内存中，然后你才知道如何将float或double转换为char，很简单。