是否有一个内部函数可以将 __m128i 向量的最后 n 个字节归零？

Question

给定 n，我想将 __m128i 向量的最后 n 个字节清零。

例如考虑以下 __m128i 向量：

11111111 11111111 11111111 11111111 11111111 11111111 11111111 11111111 11111111 11111111 11111111 11111111 11111111 11111111 11111111 11111111

将最后 n = 4 个字节归零后，矢量应如下所示：

11111111 11111111 11111111 11111111 11111111 11111111 11111111 11111111 11111111 11111111 11111111 11111111 00000000 00000000 00000000 00000000

是否有 SSE 内部函数可以执行此操作（通过接受 __128i 向量和 n 作为参数）？

Answer 1

您应该能够通过使用 _mm_mask_set1_epi8 intrinsic:

将零“广播”到向量末尾的所需字节来实现所需的结果

__m128i _mm_mask_set1_epi8 (__m128i src, __mmask16 k, char a)

src 是您的 __m128i 矢量
__mmask16 由 n 构造为 (1 << n) - 1，即最后有 n 个的掩码
char a 为零

Answer 2

有多种不依赖于 AVX512 的选项。例如：

未对齐的负载

char mask[32] = { 0, 0, 0, 0, 0, 0, 0, 0,
                  0, 0, 0, 0, 0, 0, 0, 0,
                  -1, -1, -1, -1, -1, -1, -1, -1,
                  -1, -1, -1, -1, -1, -1, -1, -1};

__m128i zeroLowestNBytes(__m128i x, uint32_t n)
{
    __m128i m = _mm_loadu_si128((__m128i*)&mask[16 - n]);
    return _mm_and_si128(x, m);
}

借助 AVX，加载可以成为 vpand 的内存操作数。没有 AVX 它仍然很好，有 movdqu 和 pand.

负载未对齐通常不是问题，除非它跨越 4K 边界。如果你能得到 mask 32 对齐，那么这个问题就会消失。负载仍未对齐，但不会达到特定的边缘情况。

n 是一个 uint32_t 来避免 sign-extension.

广播和比较

__m128i zeroLowestNBytes(__m128i x, int n)
{
    __m128i threshold = _mm_set1_epi8(n);
    __m128i index = _mm_set_epi8(15, 14, 13, 12, 11, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1, 0);
    return _mm_andnot_si128(_mm_cmpgt_epi8(threshold, index), x);
}

这避免了未对齐的加载，但这并不重要。更重要的是，它避免了“input-dependent负载”：在具有未对齐负载的版本中，负载取决于n。在这个版本中，负载独立于n。例如，如果此函数是内联的，则允许编译器将其提升到循环之外。它还允许 out-of-order 执行更自由地尽早开始加载，也许在 n 计算之前。

不利的一面是，它基本上需要 AVX2 或 SSSE3 才能像样地实现 _mm_set1_epi8(n)。此外，这通常会花费更多的指令，这可能会降低吞吐量。延迟应该更好，因为“主链”中没有负载（有负载，但它在一边，它不会将其延迟添加到计算延迟中）。

是否有一个内部函数可以将 __m128i 向量的最后 n 个字节归零？

Is there an intrinsic function to zero out the last n bytes of a __m128i vector?

c

vectorization

sse

simd

未对齐的负载

广播和比较