我是AVX2和SSE2指令集的新手,我想学习更多有关如何使用此类指令集来加速位向量运算的知识。
到目前为止,我已经成功地使用它们通过double / float操作对代码进行矢量化处理。
在此示例中,我有一个C ++代码,它在将位向量中的某位(使用unsigned int值)设置为特定值之前或不检查该条件:
int process_bit_vetcor(unsigned int *bitVector, float *value, const float threshold, const unsigned int dim)
{
int sum = 0, cond = 0;
for (unsigned int i = 0; i < dim; i++) {
unsigned int *word = bitVector + i / 32;
unsigned int bitValue = ((unsigned int)0x80000000 >> (i & 0x1f));
cond = (value[i] <= threshold);
(*word) = (cond) ? (*word) | bitValue : (*word);
sum += cond;
}
return sum;
}
变量sum仅返回条件为TRUE的情况数。
我试图用SSE2和AVX2重写此例程,但没有成功...:-(
是否可以使用AVX2和SSE2重写此类C ++代码?将矢量化用于这种类型的位操作是否值得?位向量可能包含成千上万个位,因此我希望使用SSE2和AVX2来提高速度可能会很有趣。
提前感谢!
如果dim
是8的倍数,则下面的命令应该起作用(要处理余数,请在末尾添加一个琐碎的循环)。较小的API更改:
long
而不是unsigned int
作为循环索引(这有助于clang展开循环)bitvector
是低位字节序(如注释中所建议)在循环内部,按字节访问bitVector
。可能需要将movemask
的2或4个结果同时进行位或一次组合(可能取决于目标体系结构)。
[计算sum
,直接从cmp_ps
运算的结果中计算出8个部分和。由于仍然需要位掩码,因此可能值得使用popcnt
(理想情况下,将2、4或8个字节组合在一起-再次,这可能取决于目标体系结构)。
int process_bit_vector(uint32_t *bitVector32, float *value,
const float threshold_float, const long dim) {
__m256i sum = _mm256_setzero_si256();
__m256 threshold_vector = _mm256_set1_ps(threshold_float);
uint8_t *bitVector8 = (uint8_t *)bitVector32;
for (long i = 0; i <= dim-8; i += 8) {
// compare next 8 values with threshold
// (use threshold as first operand to allow loading other operand from memory)
__m256 cmp_mask = _mm256_cmp_ps(threshold_vector, _mm256_loadu_ps(value + i), _CMP_GE_OQ);
// true values are `-1` when interpreted as integers, subtract those from `sum`
sum = _mm256_sub_epi32(sum, _mm256_castps_si256(cmp_mask));
// extract bitmask
int mask = _mm256_movemask_ps(cmp_mask);
// bitwise-or current mask with result bit-vector
*bitVector8++ |= mask;
}
// reduce 8 partial sums to a single sum and return
__m128i sum_reduced = _mm_add_epi32(_mm256_castsi256_si128(sum), _mm256_extracti128_si256(sum,1));
sum_reduced = _mm_add_epi32(sum_reduced, _mm_srli_si128(sum_reduced, 8));
sum_reduced = _mm_add_epi32(sum_reduced, _mm_srli_si128(sum_reduced, 4));
return _mm_cvtsi128_si32(sum_reduced);
}
Godbolt-Link:https://godbolt.org/z/ABwDPe
vpsubd ymm2, ymm0, ymm1; vmovdqa ymm0, ymm2;
,而不仅仅是vpsubd ymm0, ymm0, ymm1
。load
与vcmpps
连接起来(并且使用LE
而不是GE
比较)-如果您不关心如何处理NaN,则可以使用_CMP_NLT_US
代替_CMP_GE_OQ
。具有大端输出的修订版(未试用):
int process_bit_vector(uint32_t *bitVector32, float *value,
const float threshold_float, const long dim) {
int sum = 0;
__m256 threshold_vector = _mm256_set1_ps(threshold_float);
for (long i = 0; i <= dim-32; i += 32) {
// compare next 4x8 values with threshold
// (use threshold as first operand to allow loading other operand from memory)
__m256i cmp_maskA = _mm256_castps_si256(_mm256_cmp_ps(threshold_vector, _mm256_loadu_ps(value + i+ 0), _CMP_GE_OQ));
__m256i cmp_maskB = _mm256_castps_si256(_mm256_cmp_ps(threshold_vector, _mm256_loadu_ps(value + i+ 8), _CMP_GE_OQ));
__m256i cmp_maskC = _mm256_castps_si256(_mm256_cmp_ps(threshold_vector, _mm256_loadu_ps(value + i+16), _CMP_GE_OQ));
__m256i cmp_maskD = _mm256_castps_si256(_mm256_cmp_ps(threshold_vector, _mm256_loadu_ps(value + i+24), _CMP_GE_OQ));
__m256i cmp_mask = _mm256_packs_epi16(
_mm256_packs_epi16(cmp_maskA,cmp_maskB), // b7b7b6b6'b5b5b4b4'a7a7a6a6'a5a5a4a4 b3b3b2b2'b1b1b0b0'a3a3a2a2'a1a1a0a0
_mm256_packs_epi16(cmp_maskC,cmp_maskD) // d7d7d6d6'd5d5d4d4'c7c7c6c6'c5c5c4c4 d3d3d2d2'd1d1d0d0'c3c3c2c2'c1c1c0c0
); // cmp_mask = d7d6d5d4'c7c6c5c4'b7b6b5b4'a7a6a5a4 d3d2d1d0'c3c2c1c0'b3b2b1b0'a3a2a1a0
cmp_mask = _mm256_permute4x64_epi64(cmp_mask, 0x8d);
// cmp_mask = [b7b6b5b4'a7a6a5a4 b3b2b1b0'a3a2a1a0 d7d6d5d4'c7c6c5c4 d3d2d1d0'c3c2c1c0]
__m256i shuff_idx = _mm256_broadcastsi128_si256(_mm_set_epi64x(0x00010203'08090a0b,0x04050607'0c0d0e0f));
cmp_mask = _mm256_shuffle_epi8(cmp_mask, shuff_idx);
// extract bitmask
uint32_t mask = _mm256_movemask_epi8(cmp_mask);
sum += _mm_popcnt_u32 (mask);
// bitwise-or current mask with result bit-vector
*bitVector32++ |= mask;
}
return sum;
}
想法是在对字节应用vpmovmskb
之前先对其进行混洗。这需要32个输入值进行5次混洗操作(包括3个vpacksswb
),但是总和的计算是使用popcnt
而不是4 vpsubd
进行的。 vpermq
(_mm256_permute4x64_epi64
)可以通过在比较之前有策略地将128位半部分加载到256位向量中来避免。另一个想法(因为无论如何都需要重组最终结果)是将部分结果混合在一起(在我检查的体系结构上往往需要p5
或2*p015
,所以可能不值得)。