AVX2 和 SSE2 的位向量運算

Question

我是 AVX2 和 SSE2 指令集的新手，我想了解更多關於如何使用這些指令集來加速位向量操作的信息。

到目前為止，我已經成功地使用它們通過雙/浮點操作對代碼進行了矢量化。

在此示例中，我有一個 C++ 代碼，該代碼在將位向量（使用 unsigned int）中的某個位設置或不設置為特定值之前檢查條件：

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;
}

變量sum僅返回條件為 TRUE 的情況數。

我試圖用 SSE2 和 AVX2 重寫這個例程，但沒有成功...... :-(

是否可以使用 AVX2 和 SSE2 重寫這樣的 C++ 代碼？ 對這種類型的位操作使用矢量化是否值得？ 位向量可能包含數千位，因此我希望使用 SSE2 和 AVX2 來加速可能會很有趣。

提前致謝！

Answer 1

如果dim是 8 的倍數，則以下內容應該有效（要處理余數，請在末尾添加一個簡單的循環）。 較小的 API 更改：

• 使用long而不是unsigned int作為循環索引（這有助於 clang 展開循環）
• 假設bitvector是小端（如評論中所建議）

在循環內部，按字節訪問bitVector 。 一次將 2 或 4 個movemask和 bit-or 結果組合起來可能是值得的（可能取決於目標架構）。

要計算sum ，直接從cmp_ps操作的結果計算 8 個部分和。 由於無論如何您都需要位掩碼，因此可能值得使用popcnt （理想情況下，在將 2、4 或 8 個字節組合在一起之后——同樣，這可能取決於您的目標體系結構）。

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);
}

Godbolt-Link： https://godbolt.org/z/ABwDPe

• 出於某種原因 GCC 執行vpsubd ymm2, ymm0, ymm1; vmovdqa ymm0, ymm2; vpsubd ymm2, ymm0, ymm1; vmovdqa ymm0, ymm2; 而不僅僅是vpsubd ymm0, ymm0, ymm1 。
• Clang 無法通過vcmpps加入load （並使用LE而不是GE比較）——如果您不關心 NaN 的處理方式，您可以使用_CMP_NLT_US而不是_CMP_GE_OQ 。

---

大端 output 的修訂版本（未經測試）：

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;
}

這個想法是在對其應用vpmovmskb之前對字節進行洗牌。 對於 32 個輸入值，這需要 5 次 shuffle 操作（包括 3 個vpacksswb ），但總和的計算是使用popcnt而不是 4 vpsubd的。 vpermq ( _mm256_permute4x64_epi64 ) 可以通過在比較它們之前策略性地將 128 位半加載到 256 位向量中來避免。 另一個想法（因為無論如何您都需要對最終結果進行洗牌）將部分結果混合在一起（這往往需要p5或2*p015在我檢查過的架構上，所以可能不值得）。