问题
是否存在使用x86 SIMD指令对一组整数进行寄存器内重复数据删除的计算上可行的方法?
示例
我们有一个四元组的寄存器R1 = {3,9,2,9},并希望获得寄存器R2 = {3,9,2,NULL}。
限制
稳定性。保留输入顺序没有任何意义。
输出。但是,任何删除的值/NULL必须位于寄存器的开头和/或结尾:
如果已知能够产生一种特定的输出格式,则显然是一个额外的好处。请假设NULL有效表示0(零)。
概论。必须能够容忍没有重复项,并且在这种情况下,产生的输出等于输入寄存器。
指令集。我正在寻找以下任何或所有解决方案:SSE2-SSSE3; SSE4.x; AVX-AVX2
最佳答案
解决方案
提出的解决方案始终将所有唯一元素放在输出的下部,按首次出现的顺序排列。较高的部分归零。通过修改LUT可以很容易地更改放置策略:将元素放到更高的部分,或颠倒它们的顺序。
static __m128i *const lookup_hash = (__m128i*) &lookup_hash_chars[0][0];
static inline __m128i deduplicate4_ssse3(__m128i abcd) {
__m128i bcda = _mm_shuffle_epi32(abcd, _MM_SHUFFLE(0, 3, 2, 1));
__m128i cdab = _mm_shuffle_epi32(abcd, _MM_SHUFFLE(1, 0, 3, 2));
uint32_t mask1 = _mm_movemask_epi8(_mm_cmpeq_epi32(abcd, bcda));
uint32_t mask2 = _mm_movemask_epi8(_mm_cmpeq_epi32(abcd, cdab));
uint32_t maskFull = (mask2 << 16U) + mask1;
//Note: minimal perfect hash function here
uint32_t lutIndex = (maskFull * 0X0044CCCEU) >> 26U;
__m128i shuf = lookup_hash[lutIndex];
return _mm_shuffle_epi8(abcd, shuf);
}
完整代码(带有测试)可在here中获得。
我还通过对5个比较器的网络进行排序,然后对连续元素进行串行比较,实现了一个简单的标量解决方案。我在两个处理器上使用了MSVC2013:Core 2 E4700(Allendale,2.6 GHz)和Core i7-3770(Ivy Bridge,3.4 GHz)。以下是2 ^ 29个通话的计时时间(以秒为单位):
// Allendale
SSE: time = 3.340 // ~16.2 cycles (per call)
Scalar: time = 17.218 // ~83.4 cycles (per call)
// Ivy Bridge
SSE: time = 1.203 // ~ 7.6 cycles (per call)
Scalar: time = 11.673 // ~73.9 cycles (per call)
讨论
请注意,结果必须包含两种类型的元素:
输入向量中的
但是,必要的改组掩码是在运行时以非常复杂的方式确定的。除一个外,所有SSE指令只能处理立即(即编译时常量)改组掩码。它是SSSE3固有的
_mm_shuffle_epi8
。为了快速获得改组掩码,所有掩码都存储在查找表中,并由一些位掩码或哈希索引。为了获得给定输入向量的改组掩码,有必要收集有关其中相等元素的足够信息。注意,知道哪些元素对相等就足够了,以确定如何对它们进行重复数据删除。如果我们想对它们进行附加排序,那么我们还需要知道不同元素之间的比较方式,这将增加信息量,并随后增加查找表的数量。这就是为什么我将在此处不显示的情况下显示重复数据删除的原因。
因此,XMM寄存器中有四个32位元素。它们总共组成六对。由于我们一次只能比较四个元素,因此我们至少需要两个比较。实际上,进行两个XMM比较很容易,因此每对元素至少要进行一次比较。之后,我们可以使用
_mm_movemask_epi8
提取比较的16位位掩码,并将它们连接为单个32位整数。请注意,每个4位块肯定会包含相同的位,并且最后两个4位块不是必需的(它们对应于过多的比较)。理想情况下,我们需要从该位掩码中准确提取位于编译时已知位置的6位。可以使用BMI2指令集内在的
_pext_u32
轻松实现。结果,我们有一个范围为[0..63]的整数,其中包含6个位,每个位都显示相应的元素对是否相等。然后,我们从预先计算的64项查找表中加载混洗掩码,并使用_mm_shuffle_epi8
混洗输入向量。不幸的是,BMI指令是相当新的(Haswell和更高版本),但我没有它们=)为了摆脱它,我们可以尝试为所有64个有效位掩码创建一个非常简单快速的perfect hash function(回想一下,这些位掩码是32位)。对于
f(x) = (a * x) >> (32-b)
类中的哈希函数,通常可以构造一个相当小的完美哈希,而内存开销是2倍或3倍。由于我们的情况很特殊,因此可以构造一个最小的完美哈希函数,以便查找表具有最小的64个条目(即size = 1 KB)。对于8个元素(例如XMM寄存器中的16位整数),相同的算法不可行,因为有28对元素,这意味着查找表必须至少包含2 ^ 28个条目。
对于YMM寄存器中的64位元素使用这种方法也是有问题的。
_mm256_shuffle_epi8
内在函数无济于事,因为它仅执行两个单独的128位随机播放(从不跨 channel 随机播放)。 _mm256_permutevar8x32_epi32
内部函数对32位块执行任意改组,但不能插入零。为了使用它,您还必须在LUT中存储许多唯一元素。然后,您必须手动将零添加到寄存器的较高部分。更新:哈希/BMI已删除
我已经意识到不必使用BMI2进行位提取或使用完美的哈希函数,我们可以简单地使用
_mm_movemask_ps
来提取32位掩码。由于我们将INT和FP计算混合使用,因此该方法可能会遇到较小的延迟问题,但实际上它的运行速度更快。static __m128i *const lookup_direct_offset = lookup_direct - 0xC0U;
static inline __m128i deduplicate4_ssse3_direct(__m128i abcd) {
__m128i bcda = _mm_shuffle_epi32(abcd, _MM_SHUFFLE(0, 3, 2, 1));
__m128i cdcd = _mm_shuffle_epi32(abcd, _MM_SHUFFLE(3, 2, 3, 2));
uint32_t mask1 = _mm_movemask_ps(_mm_castsi128_ps(_mm_cmpeq_epi32(abcd, bcda)));
uint32_t mask2 = _mm_movemask_ps(_mm_castsi128_ps(_mm_cmpeq_epi32(abcd, cdcd)));
uint32_t maskFull = 16U * mask2 + mask1;
//Note: use index directly
uint32_t lutIndex = maskFull;
__m128i shuf = lookup_direct_offset[lutIndex];
return _mm_shuffle_epi8(abcd, shuf);
}
full code也将更新。这会导致轻微的性能改进:
// Ivy Bridge
new: Time = 1.038 (782827520) // ~ 6.6 cycles (per call)
old: Time = 1.169 (782827520) // ~ 7.4 cycles (per call)
关于algorithm - 在SSE/AVX中选择唯一/重复数据删除,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/10759922/