基于AVX2和SSE2的位向量运算

Question

我是AVX2和SSE2指令集的新手，我想了解更多关于如何使用这些指令集来加速位向量操作的知识。

到目前为止，我已经成功地使用它们来用双/浮动操作将代码矢量化。

在本例中，我有一个C++代码，在此之前检查一个条件，以便在位向量(使用无符号int)中将其设置为特定值：

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;
}

变量和只返回条件为真的情况数。

我试着用SSE2和AVX2重写这个例程，但是没有成功.:-(

可以用C++和SSE2重写这样的代码吗？对这种类型的位操作使用矢量化是否值得？位向量可能包含数千位，所以我希望使用SSE2和AVX2来加快速度是很有趣的。

提前感谢！

Answer 1

如果dim是8的倍数(为了处理剩余部分，在末尾添加一个简单的循环)，下面的代码应该可以工作。小API-更改：

• 为循环索引使用long而不是unsigned int (这有助于clang展开循环)
• 假设bitvector是小端点(如注释中所建议的)

。

在循环中，bitVector按字节顺序访问.可能值得将movemask和bit的2或4个结果结合起来--或者一次组合它们(可能取决于目标体系结构)。

为了计算sum，直接根据cmp_ps运算的结果计算了8个部分和。由于您无论如何都需要位掩码，所以可能值得使用popcnt (理想情况下，将2、4或8个字节组合在一起--这可能取决于您的目标体系结构)。

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);
}

螺栓连接：https://godbolt.org/z/ABwDPe

由于某种原因，GCC不只是vpsubd ymm0, ymm0, ymm1.

• Clang，而是做了vpsubd ymm2, ymm0, ymm1; vmovdqa ymm0, ymm2;，但是没有加入vcmpps (并且使用LE而不是GE比较) --如果您不关心NaNs是如何处理的，您可以使用_CMP_NLT_US而不是_CMP_GE_OQ.

具有大端输出的修订版(未经测试)：

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;
}

这样做的目的是在应用vpmovmskb之前对字节进行洗牌。这需要对32个输入值进行5次洗牌操作(包括3 vpacksswb)，但是计算和的方法是使用popcnt而不是4 vpsubd。在比较128个比特一半到256个比特向量之前，可以避免vpermq (_mm256_permute4x64_epi64)。另一个想法(因为您无论如何都需要对最终结果进行洗牌)是将部分结果混合在一起(这往往需要我检查过的体系结构上的p5或2*p015，所以可能不值得)。