是否有 AVX2 指令(和内在指令)将 16 位值广播 16 次加载到 __m256i 中?
Is there an AVX2 instruction (and intrinsic) to broadcast load a 16 bit value 16 times into an __m256i?
在下面的代码中,我可以使用avx2来统计每个位置1的位数
一次分别为 16 位,但在标记为 loadLow16 的行上缺少 4 条指令。我需要一条加载 16 位值并将其放入 avx2 寄存器的每 16 位中的指令(16 次)。是否有执行此操作的说明,或者是否有更好的方法来执行此操作?
void countHistBits4(const uint64_t p[], uint32_t n, uint32_t hist[64]) {
uint16_t masks[16] = {1, 1<<1, 1<<2, 1<<3, 1<<4, 1<<5, 1<<6, 1<<7,
1<<8, 1<<9, 1<<10, 1<<11, 1<<12, 1<<13, 1<<14, 1<<16};
__m256i mask = _mm256_load_si256((__m256*)masks);
__m256i count1 = _mm256_setzero_si256();
__m256i count2 = _mm256_setzero_si256();
__m256i count3 = _mm256_setzero_si256();
__m256i count4 = _mm256_setzero_si256();
for (uint32_t i = 0; i < n; i++) {
__m256i v1 = loadLow16(p[i] & 0xFFFF);
__m256i v2 = loadLow16((p[i] >> 16) & 0xFFFF);
__m256i v3 = loadLow16((p[i] >> 32) & 0xFFFF);
__m256i v4 = loadLow16((p[i] >> 48) & 0xFFFF);
v1 = _mm256_and_si256(v1, mask);
count1 = _mm256_adds_epi16 (count1, vals);
v2 = _mm256_and_si256(v2, mask);
count2 = _mm256_adds_epi16 (count2, vals);
v3 = _mm256_and_si256(v3, mask);
count3 = _mm256_adds_epi16 (count3, vals);
v4 = _mm256_and_si256(v4, mask);
count4 = _mm256_adds_epi16 (count4, vals);
}
}
对于您的整体位置弹出计数问题,请参阅 https://github.com/mklarqvist/positional-popcount 以获得高度优化的实现,这也是正确的,与此不同,您显然还没有时间调试,因为您缺少一个构建块。添加多个 x & (1<<15)
会导致 int16_t
元素立即饱和,因此您需要一些东西,也许是可变计数移位或像 x & mask == mask
这样的比较。或者可能更好的是彻底重新设计:相关的 SO 问答:
- https://github.com/mklarqvist/positional-popcount - 我认为至少与 SO 问答中的任何内容一样好。
题目问题:广播一个uint16_t
指令为vpbroadcastw
。它适用于内存或 xmm 源。在 Intel CPU 上,它解码为加载和随机播放(端口 5)uop,这与纯粹在加载端口中处理的 32、64 或 128 位广播不同。
它的内在函数是:
__m256i _mm256_set1_epi16( int16_t )
- 如果你只有一个标量。
__m256i _mm256_broadcastw_epi16 (__m128i a)
- 广播向量的底部元素。
为了避免违反 C 中的严格别名规则,您是正确的,访问 uint64_t p[]
元素并屏蔽它们是一种安全的方法,而点 uint16_t *
则不是. (如果你正常取消引用;但不幸的是,没有加载内在函数将取消引用隐藏在别名安全内在函数中,所以你必须 memcpy 到 uint16_t
tmp var 或其他东西中......)
现代 GCC 足够聪明,可以将 __m256i v4 = _mm256_set1_epi16((p[i] >> 48) & 0xFFFF);
编译成 vpbroadcastw ymm0, WORD PTR [rdi+6+rdx*8]
,而不是像真正的 64 位标量移位那样做任何愚蠢的事情,然后 vmovd
+ xmm 源广播。 (即使只有 -Og
https://godbolt.org/z/W6o5hKTbz)
但那是只使用其中一个计数,而其他计数被优化掉的情况。 (我只是使用 volatile __m256i sink
来分配东西,作为停止优化器完全删除循环的一种方式。)
https://godbolt.org/z/fzs9PEbMq 显示更重的优化,使用 count2 和 count4 让 GCC 执行 uint64_t 的标量加载,并在 vmovd xmm0, edx
/ 之前用两个单独的标量移位将其分解... / vmovd xmm0, eax
。所以这很糟糕。 :/
// compiles to a vpbroadcastw load with an offset
// but violates strict aliasing
__m256i v2 = _mm256_set1_epi16( *(1 + (uint16_t*)&p[i]) );
为了确保安全,您可以使用 memcpy
到临时文件或 GNU C __attribute__((may_alias))
。 (相同的属性用于 __m256i
本身的定义)。
typedef uint16_t aliasing_u16 __attribute__((aligned(1), may_alias));
__m256i v1 = _mm256_set1_epi16(*(0 + (aliasing_u16*)&p[i]));
__m256i v2 = _mm256_set1_epi16(*(1 + (aliasing_u16*)&p[i]));
__m256i v3 = _mm256_set1_epi16(*(2 + (aliasing_u16*)&p[i]));
__m256i v4 = _mm256_set1_epi16(*(3 + (aliasing_u16*)&p[i]));
使用 4x vpbroadcastw 负载编译 (https://godbolt.org/z/6v9esqK9P)。 (省略了使用这些负载的说明)
vpbroadcastw ymm1, WORD PTR [rdi]
...
add rdi, 8
vpbroadcastw ymm1, WORD PTR [rdi-6]
...
vpbroadcastw ymm1, WORD PTR [rdi-4]
...
vpbroadcastw ymm1, WORD PTR [rdi-2]
...
这可能更好地避免 Intel CPU 端口 5 上的瓶颈。 vmovd xmm, eax
和 vpbroadcastw ymm,xmm
都是 1 uop,只能在 Skylake 系列 CPU 的端口 5 上 运行。 (https://agner.org/optimize/ https://uops.info/).
vpbroadcastw
和内存源仍然需要一个 shuffle uop (p5),但是从其他地方获取数据到 SIMD 域使用加载端口而不是另一个端口 5 uop。并且它可以将负载微融合到单个前端微处理器中。
在下面的代码中,我可以使用avx2来统计每个位置1的位数 一次分别为 16 位,但在标记为 loadLow16 的行上缺少 4 条指令。我需要一条加载 16 位值并将其放入 avx2 寄存器的每 16 位中的指令(16 次)。是否有执行此操作的说明,或者是否有更好的方法来执行此操作?
void countHistBits4(const uint64_t p[], uint32_t n, uint32_t hist[64]) {
uint16_t masks[16] = {1, 1<<1, 1<<2, 1<<3, 1<<4, 1<<5, 1<<6, 1<<7,
1<<8, 1<<9, 1<<10, 1<<11, 1<<12, 1<<13, 1<<14, 1<<16};
__m256i mask = _mm256_load_si256((__m256*)masks);
__m256i count1 = _mm256_setzero_si256();
__m256i count2 = _mm256_setzero_si256();
__m256i count3 = _mm256_setzero_si256();
__m256i count4 = _mm256_setzero_si256();
for (uint32_t i = 0; i < n; i++) {
__m256i v1 = loadLow16(p[i] & 0xFFFF);
__m256i v2 = loadLow16((p[i] >> 16) & 0xFFFF);
__m256i v3 = loadLow16((p[i] >> 32) & 0xFFFF);
__m256i v4 = loadLow16((p[i] >> 48) & 0xFFFF);
v1 = _mm256_and_si256(v1, mask);
count1 = _mm256_adds_epi16 (count1, vals);
v2 = _mm256_and_si256(v2, mask);
count2 = _mm256_adds_epi16 (count2, vals);
v3 = _mm256_and_si256(v3, mask);
count3 = _mm256_adds_epi16 (count3, vals);
v4 = _mm256_and_si256(v4, mask);
count4 = _mm256_adds_epi16 (count4, vals);
}
}
对于您的整体位置弹出计数问题,请参阅 https://github.com/mklarqvist/positional-popcount 以获得高度优化的实现,这也是正确的,与此不同,您显然还没有时间调试,因为您缺少一个构建块。添加多个 x & (1<<15)
会导致 int16_t
元素立即饱和,因此您需要一些东西,也许是可变计数移位或像 x & mask == mask
这样的比较。或者可能更好的是彻底重新设计:相关的 SO 问答:
- https://github.com/mklarqvist/positional-popcount - 我认为至少与 SO 问答中的任何内容一样好。
题目问题:广播一个uint16_t
指令为vpbroadcastw
。它适用于内存或 xmm 源。在 Intel CPU 上,它解码为加载和随机播放(端口 5)uop,这与纯粹在加载端口中处理的 32、64 或 128 位广播不同。
它的内在函数是:
__m256i _mm256_set1_epi16( int16_t )
- 如果你只有一个标量。__m256i _mm256_broadcastw_epi16 (__m128i a)
- 广播向量的底部元素。
为了避免违反 C 中的严格别名规则,您是正确的,访问 uint64_t p[]
元素并屏蔽它们是一种安全的方法,而点 uint16_t *
则不是. (如果你正常取消引用;但不幸的是,没有加载内在函数将取消引用隐藏在别名安全内在函数中,所以你必须 memcpy 到 uint16_t
tmp var 或其他东西中......)
现代 GCC 足够聪明,可以将 __m256i v4 = _mm256_set1_epi16((p[i] >> 48) & 0xFFFF);
编译成 vpbroadcastw ymm0, WORD PTR [rdi+6+rdx*8]
,而不是像真正的 64 位标量移位那样做任何愚蠢的事情,然后 vmovd
+ xmm 源广播。 (即使只有 -Og
https://godbolt.org/z/W6o5hKTbz)
但那是只使用其中一个计数,而其他计数被优化掉的情况。 (我只是使用 volatile __m256i sink
来分配东西,作为停止优化器完全删除循环的一种方式。)
https://godbolt.org/z/fzs9PEbMq 显示更重的优化,使用 count2 和 count4 让 GCC 执行 uint64_t 的标量加载,并在 vmovd xmm0, edx
/ 之前用两个单独的标量移位将其分解... / vmovd xmm0, eax
。所以这很糟糕。 :/
// compiles to a vpbroadcastw load with an offset
// but violates strict aliasing
__m256i v2 = _mm256_set1_epi16( *(1 + (uint16_t*)&p[i]) );
为了确保安全,您可以使用 memcpy
到临时文件或 GNU C __attribute__((may_alias))
。 (相同的属性用于 __m256i
本身的定义)。
typedef uint16_t aliasing_u16 __attribute__((aligned(1), may_alias));
__m256i v1 = _mm256_set1_epi16(*(0 + (aliasing_u16*)&p[i]));
__m256i v2 = _mm256_set1_epi16(*(1 + (aliasing_u16*)&p[i]));
__m256i v3 = _mm256_set1_epi16(*(2 + (aliasing_u16*)&p[i]));
__m256i v4 = _mm256_set1_epi16(*(3 + (aliasing_u16*)&p[i]));
使用 4x vpbroadcastw 负载编译 (https://godbolt.org/z/6v9esqK9P)。 (省略了使用这些负载的说明)
vpbroadcastw ymm1, WORD PTR [rdi]
...
add rdi, 8
vpbroadcastw ymm1, WORD PTR [rdi-6]
...
vpbroadcastw ymm1, WORD PTR [rdi-4]
...
vpbroadcastw ymm1, WORD PTR [rdi-2]
...
这可能更好地避免 Intel CPU 端口 5 上的瓶颈。 vmovd xmm, eax
和 vpbroadcastw ymm,xmm
都是 1 uop,只能在 Skylake 系列 CPU 的端口 5 上 运行。 (https://agner.org/optimize/ https://uops.info/).
vpbroadcastw
和内存源仍然需要一个 shuffle uop (p5),但是从其他地方获取数据到 SIMD 域使用加载端口而不是另一个端口 5 uop。并且它可以将负载微融合到单个前端微处理器中。