AVX512中是否有像_mm512_sign_epi16（__ m512i a，__ m512i b）的功能

Question

以下功能似乎在AVX512上不可用：

__m512i _mm512_sign_epi16 (__m512i a, __m512i b)

它会很快提供还是有替代品？

Answer 1

如果您不需要归零部分，则只需要2条指令（以及归零寄存器）：

您可以将符号位_mm512_movepi16_mask()转换为掩码（QXxswpoi的AVX512版本），并从零开始进行合并掩码减法，以根据另一个符号取消向量。

pmovmskb

vector - > mask在Skylake-X上有3个循环延迟（使用

#ifdef __AVX512BW__
// does *not* do anything special for signs[i] == 0, just negative / non-negative
__m512i  conditional_negate(__m512i target, __m512i signs) {
    __mmask32 negmask = _mm512_movepi16_mask(signs);
      // vpsubw target{k1}, 0, target
    __m512i neg = _mm512_mask_sub_epi16(target, negmask, _mm512_setzero_si512(), target);
    return neg;
}
#endif

，vpmovw2m或vptestmw），但使用掩码只有另外1个循环延迟。因此，从输入到输出的延迟是：

• 来自vpcmpw的4个周期 - > SKX上的结果
• 来自signs的1个循环 - > SKX上的结果（只是来自零的蒙面target。）

---

要同时应用is-zero条件：您可以使用零掩码或合并掩码对向量执行的下一个操作，因此应该为零的元素未使用。

您需要额外的比较来创建另一个掩码，但您可能不需要浪费第二条额外的指令来立即应用它。

如果你真的想用这种方式构建一个独立的vpsubw，我们可以做最后的零屏蔽，但这是4个内在函数，编译为4个指令，并且吞吐量可能比@ wim的min / max / multiply更差。但是这具有良好的关键路径延迟，在SKX上总共约5个周期（如果你可以将最终的屏蔽折叠成其他的话，则为4个周期）。关键路径是sign-> mask，然后是mask sub。 sign-> nonzeromask可以与其中任何一个并行运行。

vpsignw

可能编译器可以将这个零屏蔽

__m512i  mm512_psignw(__m512i target, __m512i signs) {
    __mmask32 negmask = _mm512_movepi16_mask(signs);
      // vpsubw target{negmask}, 0, target  merge masking to only modify elements that need negating
    __m512i neg = _mm512_mask_sub_epi16(target, negmask, _mm512_setzero_si512(), target);

    __mmask32 nonzeromask = _mm512_test_epi16_mask(signs,signs);  // per-element non-zero?
    return  _mm512_maskz_mov_epi16(nonzeromask, neg);        // zero elements where signs was zero
}

instrinsic折叠为vmovdqu16 / add / or的合并屏蔽，或者对multiply / xor进行零屏蔽。但自己这样做可能是一个好主意。

Answer 2

可能的解决方案是：

and

此解决方案应具有合理的吞吐量，但由于整数乘法，延迟可能不是最佳的。一个很好的选择是

__m512i mm512_sign_epi16(__m512i a, __m512i b){
    /* Emulate _mm512_sign_epi16() with instructions  */
    /* that exist in the AVX-512 instruction set      */
    b = _mm512_min_epi16(b, _mm512_set1_epi16(1));     /* clamp b between -1 and 1 */
    b = _mm512_max_epi16(b, _mm512_set1_epi16(-1));    /* now b = -1, 0 or 1       */
    a = _mm512_mullo_epi16(a, b);                      /* apply the sign of b to a */
    return a;
}

，它具有更好的延迟。但实际上，高吞吐量通常比低延迟更有意义。

无论如何，不​​同替代方案的实际性能（这里的解决方案，Peter Cordes的回答以及Peter Cordes' solution中的分裂思想）取决于周围的代码和执行指令的CPU类型。您必须对备选方案进行基准测试，以确定在您的特定情况下哪一个最快。