c++ - 使用英特尔 AVX 通过掩码改组

Question

我是 AVX 编程的新手。我有一个需要洗牌的寄存器。我想将几个字节从 256 位寄存器 R1 混洗到空寄存器 R2。我想定义一个掩码，它告诉混洗操作应该将旧寄存器(R1)中的哪个字节复制到新寄存器的哪个位置。

掩码应如下所示(R1 中的 Src:Byte Pos，R2 中的 Target:Byte Pos):

{(0,0),(1,1),(1,4),(2,5),...}

这意味着几个字节被复制了两次。

我不是 100% 确定我应该为此使用哪个函数。我尝试了这两个 AVX 功能，第二个只使用了 2 个 channel 。

__m256 _mm256_permute_ps (__m256 a, int imm8)
__m256 _mm256_shuffle_ps (__m256 a, __m256 b, const int imm8)

我对 imm8 中的 Shuffle Mask 以及如何设计它以使其按上述方式工作感到非常困惑。

我看过这个 slides (第 26 页)描述了 _MM_SHUFFLE，但我找不到解决我的问题的方法。

有没有关于如何设计这样一个面具的教程？或者两种方法的示例函数以深入理解它们？

提前感谢您的提示

Answer 1

TL:DR:您可能需要多次洗牌来处理车道交叉，或者如果您的模式完全如此，您可以使用 _mm256_cvtepu16_epi32 ( vpmovzxwd ) 然后是 _mm256_blend_epi16 .

对于 x86 shuffle(我认为像大多数 SIMD 指令集一样)，目标位置是隐式的。 shuffle-control 常量只有目标顺序中的源索引，是否是 imm8它被编译+组装成一个 asm 指令，或者它是否是一个在每个元素中都有一个索引的 vector 。

每个目标位置恰好读取一个源位置，但可以多次读取同一个源位置。每个目标元素从 shuffle 源获取一个值。

见 Convert _mm_shuffle_epi32 to C expression for the permutation?对于 dst = _mm_shuffle_epi32(src, _MM_SHUFFLE(d,c,b,a)) 的普通 C 版本，显示如何使用控制字节。

(对于 pshufb/_mm_shuffle_epi8 ，具有高位的元素将该目标位置设置为零而不是读取任何源元素，但其他 x86 shuffle 会忽略 shuffle 控制 vector 中的所有高位。)

如果没有 AVX512 合并掩码，就没有混合到目的地的洗牌。有一些双源洗牌，如 _mm256_shuffle_ps ( vshufps ) 可以将来自两个源的元素混洗在一起以生成单个结果 vector 。 如果您想保留一些未写入的目标元素，您可能必须先洗牌，然后再混合 ，例如与 _mm256_blendv_epi8 ，或者如果您可以使用 16 位粒度的混合，则可以使用更有效的立即混合 _mm256_blend_epi16 ，甚至更好 _mm256_blend_epi32 (AVX2 vpblendd 在 Intel CPU 上与 _mm256_and_si256 一样便宜，如果您确实需要混合，如果它可以完成工作，则是最佳选择；请参阅 http://agner.org/optimize/ )

对于您的问题(Cannonlake 中没有 AVX512VBMI vpermb)，您不能将单个字节从 __m256i 的低 16 个“ channel ”混洗到高 16 个“ channel ”中具有单个操作的 vector 。

AVX shuffle 不像完整的 256 位 SIMD，它们更像是两个 128 位并行操作。唯一的异常(exception)是一些具有 32 位或更大粒度的 AVX2 车道交叉洗牌，例如 vpermd ( _mm256_permutevar8x32_epi32 )。还有pmovzx的AVX2版本/pmovsx ，例如pmovzxbq确实将 XMM 寄存器的低 4 字节零扩展到 YMM 寄存器的 4 个 qword，而不是 YMM 寄存器每一半的低 2 字节。这使得它对内存源操作数更有用。

但无论如何，pshufb的AVX2版本( _mm256_shuffle_epi8 ) 在 256 位 vector 的两个 channel 中执行两个单独的 16x16 字节混洗。

你可能会想要这样的东西 :

// Intrinsics have different types for integer, float and double vectors
// the asm uses the same registers either way
__m256i  shuffle_and_blend(__m256i dst, __m256i src)
{
    // setr takes element in low to high order, like a C array init
    // unlike the standard Intel notation where high element is first
    const __m256i  shuffle_control = _mm256_setr_epi8(
          0,      1,  -1, -1,   1,      2, ...);
    // {(0,0),  (1,1), (zero)  (1,4), (2,5),...}  in your src,dst notation
    // Use -1 or 0x80 or anything with the high bit set
    //  for positions you want to leave unmodified in dst
   // blendv uses the high bit as a blend control, so the same vector can do double duty

    // maybe need some lane-crossing stuff depending on the pattern of your shuffle.
    __m256i  shuffled = _mm256_shuffle_epi8(src, shuffle_control);

    // or if the pattern continues, and you're just leaving 2 bytes between every 2-byte group:
    shuffled = _mm256_cvtepu16_epi32(src);  // if src is a __m128i

    __m256i  blended = _mm256_blendv_epi8(shuffled, dst, shuffle_control);
    // blend dst elements we want to keep into the shuffled src result.
    return blended;
}    

请注意 pshufb对于第二个 16 个字节，编号从 0 重新开始。 __m256i的两半可以不同，但​​他们不能从另一半读取元素。如果您需要在高车道中的位置从低车道获取字节，则需要更多的混洗+混合(例如包括 vinserti128 或 vperm2i128 ，或者可能是 vpermd 车道交叉双字混洗)来获得所有按某种顺序将您需要的字节放入一个 16 字节的组中。

(实际上 _mm256_shuffle_epi8 (PSHUFB) 忽略了 shuffle 索引中的第 4..6 位，所以写 17 与 1 相同，但非常具有误导性。它实际上是在做一个 %16 ，只要高位未设置。如果在 shuffle-control vector 中设置了高位，则将该元素归零。我们在这里不需要该功能；_mm256_blendv_epi8 不关心它正在替换的元素的旧值)

无论如何，这个简单的 2 指令示例仅在模式不继续时才有效。如果您在设计真正的洗牌时需要帮助，则必须提出更具体的问题。

顺便说一句，我注意到你的混合模式使用了 2 个新字节然后 2 跳过了 2 .如果这种情况继续下去，您可以使用 vpblendw _mm256_blend_epi16 而不是 blendv ，因为该指令在 Intel CPU 上仅以 1 uop 而不是 2 uop 运行。它还允许您使用 AVX512BW vpermw ，当前 Skylake-AVX512 CPU 中可用的 16 位 shuffle，而不是可能更慢的 AVX512VBMI vpermb .

或者实际上，它可能会让你使用 vpmovzxwd ( _mm256_cvtepu16_epi32 ) 将 16 位元素零扩展到 32 位，作为车道交叉洗牌。然后与 dst 混合.