使用 SSE 的任意位置 2 输入混洗

Question

我有两个 4 分量向量，我将它们加载到两个 __m128 变量中。然后我需要将它们打乱，以便结果如下所示：

鉴于：

__m128 mmMin = _mm_load_ps(&glm::vec4(-1.0f,-2.0f,-3.0f,-4.0f)[0]);
__m128 mmMax = _mm_load_ps(&glm::vec4(1.0f,2.0f,3.0f,4.0f)[0]);

我希望随机播放的结果如下所示：

 //    {mmMin.x,mmMax.x,mmMin.x,mmMax.x}

但我发现无法使用 _mm_shuffle_ps。

来自 SSE docs 我总是看到 _mm_shuffle_ps 面具首先从 __m128 的低 2 个组件插入结果 2 个值，然后从高 2 个组件插入 2 个值。

SPU 内在函数有 si_shufb 方法，允许定义基于 qword 的掩码并随机播放我想要的任何位置。 SSE有类似的方法吗？

我正在使用 SSE2，但也很高兴看到它如何与其他版本（包括 AVX）一起完成。

Answer 1

只有 SSE2 我认为你需要 2 次随机播放：unpcklps 交错，然后 unpcklpd same,same 或 shufps same,same 广播低 64 位。

使用 AVX512F，vpermt2ps 可以一次性完成此操作（使用控制向量）；我认为 AVX2 或更早版本中没有任何 2 源混洗具有足够精细的粒度和灵活的源位置。并且没有重复元素和交错的固定随机播放。

2 源随机播放在 AVX512 之前很少见：大多数固定随机播放，如 unpckl/h* 和 palignr。在那之前，它主要只是 [v]shufps / [v]shufpd。 Variable-control 洗牌也很少见：在 AVX 之前，只有 pshufb。 AVX1/2 添加了一些 variable-control dword-element 随机播放，但仅限于 1 个来源。在 AVX512 之前没有 variable-control 2 源随机播放。

立即洗牌需要超过 4 组 2 位索引来处理对两个 4 元素向量的串联的任意索引。但是 x86 SIMD 指令总是最多有一个 8 位立即操作数。 不幸的是，没有 broadcast-immediate 像 ARM 那样可以有效地创建 1.0f 或其他向量。

AVX

由于每个向量只需要 1 个元素，您可以使用 AVX broadcast-load 然后 vblendps

而不是加载整个向量

Broadcast-loads 与 Intel CPU 上的正常负载的成本相同（不要为 shuffle 端口花费 uop，纯粹在加载端口处理）。在 AVX512F 之前，它们无法折叠到 ALU 指令的内存操作数中，但它们确实避免了 shuffle-port 瓶颈。 AMD CPU 可能仍然需要一个 ALU uop，但它们有更多的 shuffle ALU，因此 shuffle 吞吐量几乎不是瓶颈。 (https://agner.org/optimize/)

不幸的是，

Ryzen vbroadcastss xmm, [mem] 是 front-end 的 2 个独立微指令，但它仍然具有 2-per-clock 的吞吐量。

blend-immediate 在 dword 和更高版本的元素上非常有效，并且可以运行在 Haswell 和更高版本的任何端口上，或者在 SnB/IvB 和 Ryzen 上的 2 个端口。但即使在 Nehalem 上仍然是单 uop / 1c 延迟。

#include <immintrin.h>
__m128 broadcast_interleave_scalars_avx(const float *min, const float *max) {
    __m128 minx = _mm_broadcast_ss(min);
    __m128 maxx = _mm_broadcast_ss(max);
    return _mm_blend_ps(minx, maxx, 0b1010);
}

On Godbolt，clang 的 asm 评论确认我得到了正确的混合常量：

    vbroadcastss    xmm0, dword ptr [rdi]
    vbroadcastss    xmm1, dword ptr [rsi]
    vblendps        xmm0, xmm0, xmm1, 10 # xmm0 = xmm0[0],xmm1[1],xmm0[2],xmm1[3]

如果您的数据已经在寄存器中，而不是新加载的，您可能只想使用 2 次随机播放。

使用 SSE4.1 你可以做 2x movddup 加载从内存广播 64 位（包括你关心的 32 位）然后 blendps。第一次加载将加载您关心的 float 之后的 32 位，第二次加载将加载您关心的 float 之前 的 32 位。

要让 C++ 编译器为你发出这个，你必须 pointer-cast 到 double* 加载 __m128d _mm_loaddup_pd (double const* mem_addr)，然后使用 _mm_castpd_ps 得到__m128 来自 __m128d.

https://www.felixcloutier.com/x86/movsldup 也可用于设置 unpcklps。

使用 SSE 的任意位置 2 输入混洗

Arbitrary position 2-input shuffling using SSE

c++

sse

simd

avx

AVX