Я портирую код SSE SIMD для использования 256-битных расширений AVX и не могу найти никаких инструкций, которые будут смешивать / перемешивать / перемещать высокие 128 бит и младшие 128 бит.
Сюжетная история:
Я действительно хочу, чтобы _1 _ / _ 2_ действовал как _3 _ / _ 4_, только с 256-битными словами. К сожалению, он действует как два вызова HADDPS, действующих независимо на младшие и высокие слова.
Используя VPERM2F128, можно поменять местами младшие 128 и старшие 128 бит (а также другие перестановки). Использование встроенной функции выглядит так:
x = _mm256_permute2f128_ps( x , x , 1)
Третий аргумент - это управляющее слово, которое дает пользователю большую гибкость. Дополнительные сведения см. В Руководстве Intel Instrinsic.
valignq также можно использовать для выполнения эквивалента ROR на 512 битах с 64-битным приращением (вместо этого используйте valignd, чтобы получить 32 бита).
- person Alexis Wilke; 17.11.2020
vpermq для замены половин одного вектора. vperm2f128 требуется только AVX1, но он медленнее, чем vpermq на некоторых процессорах (например, Zen1 и KNL).
- person Peter Cordes; 17.11.2020
Я знаю только один способ сделать это с помощью _mm256_extractf128_si256 и _mm256_set_m128i. Например. чтобы поменять местами две половины 256-битного вектора:
__m128i v0h = _mm256_extractf128_si256(v0, 0);
__m128i v0l = _mm256_extractf128_si256(v0, 1);
__m256i v1 = _mm256_set_m128i(v0h, v0l);
_mm256_extractf128_si256 и _mm256_extracti128_si256? Единственное, что я могу сказать, это то, что первый работает с AVX, а второй требует AVX2. Зачем кому-либо использовать вторую версию. Я смотрю на таблицы инструкций Агнера Фога и вижу, что время задержки, пропускная способность и порты идентичны. Может мне стоит задать это как вопрос.
- person Z boson; 05.09.2014
extractf и set имеют широту 3, пропускную способность 1.
- person mafu; 26.04.2017
vperm2f128, что делает его по существу таким же, как ответ Марка.
- person Paul R; 26.04.2017
x = _mm256_permute4x64_epi64(x, 0b01'00'11'10);
Прочтите об этом здесь. И попробуйте онлайн!
Примечание. Для этой инструкции требуется AVX2 (а не только AVX1).
Как прокомментировал @PeterCordes по скорости на процессорах Zen2 / Zen3 _ mm256_permute2x128_si256 (x, x, i) - лучший вариант, хотя он имеет 3 аргумента по сравнению с функцией _ mm256_permute4x64, i x64_epi > предложено мной с двумя аргументами с. На Zen1 и KNL / KNM (и экскаваторах семейства Bulldozer) _ mm256_permute4x64_epi64 (x, i), предложенный мной, более эффективен. На других процессорах (включая массовый Intel) оба варианта равны.
Как уже было сказано, и _mm256_permute2x128_si256(x, y, i), и _mm256_permute4x64_epi64(x, i) нуждаются в AVX2, а _mm256_permute2f128_si256(x, i) - только в AVX1.
__m256 полностью можно использовать с AVX1. Вы не можете много сделать с __m256i без AVX2, но _ 3_ версия этого перемешивания также является AVX2, как и все другие перемешивания с пересечением полос с детализацией менее 128 бит).
- person Peter Cordes; 22.05.2021
vperm2i128 (задержка 1 мупа 3c), чем vpermq (2 мупа, задержка 6c)! Очень странно, очевидно, что перемешивание с пересечением полос с детализацией менее 128 бит по-прежнему не является единственной задачей AMD, даже в Zen3. (vpermd также составляет 2 мопса, с задержкой 8c от данных до результата или 3c от вектора управления перемешиванием до результата.) Таким образом, очевидно, что этот не обязательно лучший выбор в будущем, с Zen2 занимает довольно значительную долю рынка в последние годы.
- person Peter Cordes; 02.06.2021
_mm256_permute2x128_si256(x, x, i) - лучший вариант, повторяя один и тот же ввод дважды. На Zen1 и KNL / KNM (и экскаваторах семейства Bulldozer) _mm256_permute4x64_epi64(x, i) более эффективен. На других процессорах (включая массовый Intel) оба варианта равны. У процессоров AVX1 нет выбора, доступно только vperm2f128. Даже vpermpd - это AVX2.
- person Peter Cordes; 02.06.2021
vperm2f128 (AVX1) и vperm2i128 (AVX2) работают одинаково на каждом процессоре AVX2. Я не думаю, что на реальных процессорах есть дополнительная задержка обхода для использования версии f128 между целочисленными инструкциями AVX2, но, вероятно, неплохо использовать версию i128 - она никогда не должна быть хуже, чем vperm2f128, хотя может быть хуже чем vpermq в зависимости от процессора.
- person Peter Cordes; 02.06.2021
_mm256_permute2f128_si256(x, y, i) всегда лучше, чем _mm256_permute2x128_si256(x, y, i), как я думаю. Потому что оба работают с одинаковой скоростью повсюду, но первый использует только AVX1, а второй требует AVX2, поэтому это означает, что первый будет компилироваться на большем количестве целей и охватывать больше процессоров. Подскажите, пожалуйста, всегда ли я могу использовать _mm256_permute2f128_si256(x, y, i)? Могу ли я использовать это для всех типов регистров __m256i, __m256 и __m256d? Имеет ли значение для процессора, если для целочисленного регистра я использую плавающую версию и наоборот? Все регистры просто YMM?
- person Arty; 02.06.2021
vperm2f128 между vpaddb ymm, ymm инструкциями. Поэтому, если вы используете другие __m256i встроенные функции, которые также требуют AVX2, используйте _mm256_permute2x128_si256 или _mm256_permute4x64_epi64. Если вы используете __m256 или __m256d в функции, которая требует только AVX1 (и, возможно, FMA), не стоит делать отдельную версию AVX2 только для vpermpd, если вы не хотите настраиваться специально для Zen1 (с учетом его 128-битного вектора аппаратное обеспечение).
- person Peter Cordes; 02.06.2021
vextractf128, который везде работает быстро (особенно Zen1), сужаясь до 128-битных векторов. Как суммировать __m256 по горизонтали?. Но вы бы не хотели, чтобыhaddpsбыл частью эффективной горизонтальной суммы в первую очередь, так что, надеюсь, это не то, что вы делали ... Если вам не нужно было делать несколько hsums, тогда да, vhaddps может быть полезен, как в Intel AVX: 256-битная версия скалярного произведения для переменных с плавающей запятой двойной точности. А может 2x vperm2f128 + vaddps - person Peter Cordes schedule 17.11.2020