我想做的是:
请注意,大多数输入具有较小的绝对值范围,如[-6,6],因此固定因子可以将它们映射到[-127,127]。
我只使用avx2指令集,所以不能使用像_mm256_cvtepi32_epi8
这样的内在函数。我想使用_mm256_packs_epi16
,但它将两个输入混合在一起。 :(
我还编写了一些将32位浮点数转换为16位int的代码,它正如我想要的那样工作。
void Quantize(const float* input, __m256i* output, float quant_mult, int num_rows, int width) {
// input is a matrix actuaaly, num_rows and width represent the number of rows and columns of the matrix
assert(width % 16 == 0);
int num_input_chunks = width / 16;
__m256 avx2_quant_mult = _mm256_set_ps(quant_mult, quant_mult, quant_mult, quant_mult,
quant_mult, quant_mult, quant_mult, quant_mult);
for (int i = 0; i < num_rows; ++i) {
const float* input_row = input + i * width;
__m256i* output_row = output + i * num_input_chunks;
for (int j = 0; j < num_input_chunks; ++j) {
const float* x = input_row + j * 16;
// Process 16 floats at once, since each __m256i can contain 16 16-bit integers.
__m256 f_0 = _mm256_loadu_ps(x);
__m256 f_1 = _mm256_loadu_ps(x + 8);
__m256 m_0 = _mm256_mul_ps(f_0, avx2_quant_mult);
__m256 m_1 = _mm256_mul_ps(f_1, avx2_quant_mult);
__m256i i_0 = _mm256_cvtps_epi32(m_0);
__m256i i_1 = _mm256_cvtps_epi32(m_1);
*(output_row + j) = _mm256_packs_epi32(i_0, i_1);
}
}
}
欢迎任何帮助,非常感谢你!
为了获得具有多个源向量的良好吞吐量,_mm256_packs_epi16
有2个输入向量而不是产生更窄的输出是一件好事。 (AVX512 _mm256_cvtepi32_epi8
不一定是最有效的方法,因为具有内存目标的版本解码为多个uop,或者常规版本为您提供需要单独存储的多个小输出。)
或者你在抱怨它是如何在车道上运作的?是的,这很烦人,但_mm256_packs_epi32
做同样的事情。如果输出在那里有交错的数据组,那么也要做同样的事情。
你最好的办法就是将4个向量组合成1个,分为2个步道的包装(因为没有交叉包装)。然后使用一个车道交叉shuffle来修复它。
#include <immintrin.h>
// loads 128 bytes = 32 floats
// converts and packs with signed saturation to 32 int8_t
__m256i pack_float_int8(const float*p) {
__m256i a = _mm256_cvtps_epi32(_mm256_loadu_ps(p));
__m256i b = _mm256_cvtps_epi32(_mm256_loadu_ps(p+8));
__m256i c = _mm256_cvtps_epi32(_mm256_loadu_ps(p+16));
__m256i d = _mm256_cvtps_epi32(_mm256_loadu_ps(p+24));
__m256i ab = _mm256_packs_epi32(a,b); // 16x int16_t
__m256i cd = _mm256_packs_epi32(c,d);
__m256i abcd = _mm256_packs_epi16(ab, cd); // 32x int8_t
// packed to one vector, but in [ a_lo, b_lo, c_lo, d_lo | a_hi, b_hi, c_hi, d_hi ] order
// if you can deal with that in-memory format (e.g. for later in-lane unpack), great, you're done
// but if you need sequential order, then vpermd:
__m256i lanefix = _mm256_permutevar8x32_epi32(abcd, _mm256_setr_epi32(0,4, 1,5, 2,6, 3,7));
return lanefix;
}
(Qazxswpoi)。
在循环中调用它,并将Compiles nicely on the Godbolt compiler explorer调用为结果向量。
(对于_mm256_store_si256
无符号目的地,使用uint8_t
进行16-> 8步骤并保持其他所有内容相同。我们仍然使用带符号的32-> 16打包,因为16 - > u8 _mm256_packus_epi16
打包仍然将其vpackuswb
输入作为签名。你需要epi16
被视为-1
,而不是-1
,因为无符号饱和度将其钳制为0.)
每个256位存储共有4次shuffle,每次吞吐量1次shuffle将成为Intel CPU的瓶颈。你应该每个时钟获得一个浮点向量的吞吐量,在端口5上有瓶颈。(+0xFFFF
)。如果数据在L2中不热,或者可能会在内存带宽上出现瓶颈。
如果你只有一个矢量,你可以考虑使用https://agner.org/optimize/将每个epi32元素的低字节放入每个通道的低32位,然后使用_mm256_shuffle_epi8
进行通道交叉。
另一个单矢量替代品(Ryzen上的好)是extracti128 + 128位packssdw + packsswb。但是,如果你只做一个向量,那仍然是好的。 (仍然在Ryzen上,你需要在128位向量中工作,以避免额外的通道混乱,因为Ryzen将每个256位指令分成(至少)2个128位uops。)
有关:
请检查IEEE754标准格式以存储浮点值,首先要了解这个float和double如何在内存中存储,然后你才知道如何将float或double转换为char,这很简单。