AVX2和SSE2的位向量操作

Question

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！

Answer 1

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：

• 使用long而不是unsigned int作为循环索引（这有助于clang展开循环）
• 假定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

• 出于某种原因，GCC会执行vpsubd ymm2, ymm0, ymm1; vmovdqa ymm0, ymm2;，而不仅仅是vpsubd ymm0, ymm0, ymm1。
• Clang无法将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）。