我有以下结构,它存储键和通用用户指定的值:
typedef struct {
uint32_t len;
uint32_t cap;
int32_t *keys;
void *vals;
} dict;
现在我想创建一个迭代 keys
的函数并返回对应的 value
.非 SIMD 版本:
void*
dict_find(dict *d, int32_t k, size_t s) {
size_t i;
i = 0;
while (i < d->len) {
if (d->keys[i] == k) {
void *p;
p = (uint8_t*)d->vals + i * s;
return p;
}
++i;
}
return NULL;
}
我试图对上面的代码片段进行矢量化,并想出了这个:void*
dict_find_simd(dict *d, int32_t k, size_t s) {
__m256i ymm0;
ymm0 = _mm256_broadcastd_epi32(*(__m128i*)&k);
__m256i ymm1;
uint32_t i;
int m;
uint8_t b;
i = 0;
while (i < d->len) { // [d->len] is aligned in 32 byte box.
ymm1 = _mm256_load_si256((__m256i*)(d->keys + i));
ymm1 = _mm256_cmpeq_epi32(ymm1, ymm0);
m = _mm256_movemask_epi8(ymm1);
b = __builtin_ctz(m) >> 2;
i += (8 + b * d->len); // Artificially break the loop.
// Remember [i] stores the modified value.
}
if (i <= d->len)
return NULL;
i -= (8 + b * d->len); // Restore the modified value.
i += b;
void *p;
p = (uint8_t*)d->vals + i * s;
return p;
}
该功能似乎工作正常(没有进行太多测试)?但是,有两个问题:
i > d->len
是否然后我返回指针。 i
可以溢出,它会返回 NULL
那里。我该如何解决这个问题? _mm256_movemask_epi8
的组合。和 __builtin_ctz
为了获得找到的键的索引。有没有更好的方法(可能是一条获得非零值位置的指令)来做到这一点(没有 AVX512)? 最佳答案
I'm checking if the
i > d->len
then I return the pointer. Thei
can be overflowed and it will returnNULL
there. How can I solve this issue?
有两种方法可以处理溢出(以及由此引起的潜在越界读取)。
i
可以被 vector 大小除以元素的数量。如果 vector 循环没有找到元素,则在标量代码中完成尾部处理。如果输入数据是从其他地方获得的,那么这个解决方案可能会很好,并且没有简单的方法来优化缓冲区末尾的内存分配和初始化。i
,这很容易做到。针对容器中的元素数量 - 如果它更大,那么你的算法“找到”了一个元素,你应该指出没有找到任何东西。在某些情况下,这可能源于数据的性质。例如,如果您使用永远不会有效的键值来填充结束元素,或者如果您的关联值可以用于相同的效果(例如,过去的结束值是 NULL
指针,即也用于表示“未找到”结果)。You might noticed that I'm using a combination of
_mm256_movemask_epi8
and__builtin_ctz
in order to get the index of found key. Is there a better way (maybe a single instruction that does get the position of non zero value) to do this (without AVX512)?
我不认为有一个单一的指令,但你可以提高这种组合的性能。请注意,您正在比较 32 位值,这意味着
_mm256_movemask_epi8
为 8 个元素生成一个掩码(每个 4 个相等的位)。如果比较 4 对 vector ,则可以提高数据密度,然后将结果打包以便 vector 中的每个字节对应于不同的比较结果,然后应用一个 _mm256_movemask_epi8
.ymm1 = _mm256_load_si256((__m256i*)(d->keys + i));
ymm2 = _mm256_load_si256((__m256i*)(d->keys + i) + 1);
ymm3 = _mm256_load_si256((__m256i*)(d->keys + i) + 2);
ymm4 = _mm256_load_si256((__m256i*)(d->keys + i) + 3);
ymm1 = _mm256_cmpeq_epi32(ymm1, ymm0);
ymm2 = _mm256_cmpeq_epi32(ymm2, ymm0);
ymm3 = _mm256_cmpeq_epi32(ymm3, ymm0);
ymm4 = _mm256_cmpeq_epi32(ymm4, ymm0);
ymm1 = _mm256_packs_epi32(ymm1, ymm2);
ymm3 = _mm256_packs_epi32(ymm3, ymm4);
ymm1 = _mm256_packs_epi16(ymm1, ymm3);
ymm1 = _mm256_permute4x64_epi64(ymm1, _MM_SHUFFLE(3, 1, 2, 0));
ymm1 = _mm256_shuffle_epi32(ymm1, _MM_SHUFFLE(3, 1, 2, 0));
m = _mm256_movemask_epi8(ymm1);
if (m)
{
b = __builtin_ctz(m); // no shift needed here
break;
}
(请注意,如果 __builtin_ctz
为零,则 m
结果是未定义的,但是如果您检查 i
是否在范围内,您可以在退出循环时减轻这种情况。但是,如上所示,我宁愿测试 m
在 __builtin_ctz
之前,并用它来快捷 __builtin_ctz
并作为打破循环的标志。)这样做的问题是打包是按 128 位 channel 完成的,这意味着您必须先在 channel 之间打乱字节,然后才能使用结果。这和打包本身增加了开销,可能会抵消这种优化的好处。如果使用 128 位 vector ,则可以节省洗牌,并且可能会提高整体性能。我没有对代码进行基准测试,您将不得不进行测试。
要考虑的另一个可能的优化是缩短打包/改组和
_mm256_movemask_epi8
如果没有一个比较是 true
.您可以使用 _mm256_testz_si256
检查所有比较结果 vector 是否为零并仅在它们不是时才跳出循环。ymm1 = _mm256_load_si256((__m256i*)(d->keys + i));
ymm2 = _mm256_load_si256((__m256i*)(d->keys + i) + 1);
ymm3 = _mm256_load_si256((__m256i*)(d->keys + i) + 2);
ymm4 = _mm256_load_si256((__m256i*)(d->keys + i) + 3);
ymm1 = _mm256_cmpeq_epi32(ymm1, ymm0);
ymm2 = _mm256_cmpeq_epi32(ymm2, ymm0);
ymm3 = _mm256_cmpeq_epi32(ymm3, ymm0);
ymm4 = _mm256_cmpeq_epi32(ymm4, ymm0);
ymm5 = _mm256_or_si256(ymm1, ymm2);
ymm6 = _mm256_or_si256(ymm3, ymm4);
ymm5 = _mm256_or_si256(ymm5, ymm6);
if (!_mm256_testz_si256(ymm5, ymm5))
{
ymm1 = _mm256_packs_epi32(ymm1, ymm2);
ymm3 = _mm256_packs_epi32(ymm3, ymm4);
ymm1 = _mm256_packs_epi16(ymm1, ymm3);
ymm1 = _mm256_permute4x64_epi64(ymm1, _MM_SHUFFLE(3, 1, 2, 0));
ymm1 = _mm256_shuffle_epi32(ymm1, _MM_SHUFFLE(3, 1, 2, 0));
m = _mm256_movemask_epi8(ymm1);
b = __builtin_ctz(m);
break;
}
在这里,3 次 OR 操作比 3 包 + 2 次洗牌快,因此如果您的数据足够大,您可能会节省一些周期(即,如果平均而言您不会在初始元素中找到结果)。如果您发现元素主要位于第一个元素中,那么这将比没有 _mm256_testz_si256
的循环显示更差的性能。 .这是基于 建议的上述代码的更新版本彼得·科德斯 在评论中。
ymm1 = _mm256_load_si256((__m256i*)(d->keys + i));
ymm2 = _mm256_load_si256((__m256i*)(d->keys + i) + 1);
ymm3 = _mm256_load_si256((__m256i*)(d->keys + i) + 2);
ymm4 = _mm256_load_si256((__m256i*)(d->keys + i) + 3);
ymm1 = _mm256_cmpeq_epi32(ymm1, ymm0);
ymm2 = _mm256_cmpeq_epi32(ymm2, ymm0);
ymm3 = _mm256_cmpeq_epi32(ymm3, ymm0);
ymm4 = _mm256_cmpeq_epi32(ymm4, ymm0);
ymm1 = _mm256_packs_epi32(ymm1, ymm2);
ymm3 = _mm256_packs_epi32(ymm3, ymm4);
ymm5 = _mm256_or_si256(ymm1, ymm3); // cheap result to branch on
if (_mm256_movemask_epi8(ymm5) != 0)
{
ymm1 = _mm256_packs_epi16(ymm1, ymm3); // now put the bits in order
ymm1 = _mm256_permutevar8x32_epi32(ymm1, // or vpermq + vpshufd like before
_mm256_setr_epi32(0, 4, 1, 5, 2, 6, 3, 7));
m = _mm256_movemask_epi8(ymm1);
b = __builtin_ctz(m);
break;
}
这些改进是在考虑到 Skylake 或类似的微架构的情况下进行的:vpcmpeqd
,他们将能够高效地执行。每个周期可以执行,这足以喂一个vpackssdw
.两个vpcmpeqd
考虑到每个周期可以发出两个负载,每个周期是可以实现的。也就是说,竞争端口5的两条pack指令不会成为瓶颈。vpmovmskb
指令只有一个微操作,延迟为 2-3 个周期和 vptest
是两个微操作(3 个周期)。后续 test
将与 jz
融合/jnz
,所以 _mm256_movemask_epi8
上的条件可以执行得稍微快一点。注意此时_mm256_movemask_epi8
应用于虚拟 vector ymm5
,稍后不会使用它来产生正确的结果。_mm256_setr_epi32
初始化常量,体面的编译器会将其转换为内存中的常量,而无需额外的指令。如果您的编译器不够智能,您可能需要手动执行此操作。另请注意,此常量是额外的内存访问,如果您的查找倾向于提前终止(即,如果条件背后的代码对算法的总执行时间有显着贡献),则可能会起作用。您可以通过在进入循环之前尽早加载常量来缓解这种情况。该算法不使用很多 vector 寄存器,因此您必须有足够的空间来保持常量加载。关于c - 使用 SIMD 搜索 key ,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/67227171/