VPERMILPS 指令 (_mm_permute_ps) 的意义何在？答案

【问题标题】：What's the point of the VPERMILPS instruction (_mm_permute_ps)?VPERMILPS 指令 (_mm_permute_ps) 的意义何在？
【发布时间】：2019-06-07 16:28:30
【问题描述】：

AVX 指令集引入了 VPERMILPS，它似乎是 SHUFPS 的简化版本（适用于两个输入寄存器相同的情况）。

例如以下指令：

c5 f0 c6 c1 00          vshufps xmm0,xmm1,xmm1,0x0

可以替换为：

c4 e3 79 04 c1 00       vpermilps xmm0,xmm1,0x0

如您所见，VPERMILPS 版本多占用一个字节并执行相同的操作。根据指令表，两条指令都占用 1 个 CPU 周期，并且具有相同的吞吐量。

引入这种指令有什么意义？我错过了什么吗？

【问题讨论】：

vpermilps 有三个“正交”选项：1. 压缩单压缩与压缩双压缩，2. 立即混洗控制整数与可变控制向量，以及 3. 128 位 xmm 与 256 位 ymm。选择不同的组合，这会产生 8 个不同版本的vpermilps。巧合的是，其中一个与vshufps 具有相同的行为。因此，如果vpermilps xmm0,xmm1,0x0 不存在，那将是不合逻辑的。尽管如此，人们可能更喜欢vshufps xmm0,xmm1,xmm1,0x0，它确实节省了一个字节。（我不确定这条评论是否适合作为答案。）
问题仍然存在，但是，为什么存在带有立即控制整数的vpermilps，因为还有vshufpd。
回复：您的编辑：只有 shufps 的 SSE 编码不会修改上层通道，是的，这不适用于 vpermilps。但是您的示例是vshufps，它的上车道为零，并且可以复制和随机播放。我想这在不会导致 AVX/SSE 转换停滞（Haswell/Broadwell 除外）的 CPU 上可能很有用，例如用于插入 YMM 的 SSE pinsrd/q。如果您避免使用 xmm8..15 中的 REX 前缀，我想它还可以节省更多的代码字节来使用 SSE1 shufps。只是一个 2 字节的操作码 + modrm + imm8 = 总共 4 个字节，而 2 字节的 VEX + 操作码是 5 个。

标签： assembly x86 avx instruction-set

【解决方案1】：

是的，使用 vpermilps-immediate 与 vshufps（骑士登陆除外）相比，通常是一个错过的优化，在相同的性能下浪费了 1 个字节的代码大小。

我认为vpermilps 的要点是它可以与矢量控制操作数一起使用。在 AVX 之前，唯一的可变控制 shuffle 是整数 pshufb。

VPERMILPS ymm1, ymm2, ymm3/m256 - 使用来自 ymm3/m256 的控件置换 ymm2 中的单精度浮点值并将结果存储在 ymm1 中。

当然，直接形式有一个完全独立的操作码，你在问为什么它存在。英特尔绝对可以只包含矢量版本，所以问题变成了“为什么他们包含即时版本？”这至少需要一些额外的解码硬件。 shuffle 单元已经有硬件以这种形式解压缩直接控制操作数，因为它与vshufps 相同，所以实现起来可能很便宜？

您可以立即使用vpermilps 而不能使用vshufps 的唯一方法是在一条指令中加载+随机播放，例如vpermilps ymm0, [rdi], 0b00011011 来反转每个通道中的元素来源。但就像大多数带有立即数的指令一样，它不能微融合内存操作数，所以它仍然是前端的 2 个融合域微指令。（在 AMD CPU 上，它确实节省了前端带宽。）不过，与vmovups ymm0, [rdi] / vshufps ymm0,ymm0,ymm0, 0b00011011 相比，它节省了代码大小。

除此之外，我认为没什么意义。它们都在两个 128 位通道中执行相同的洗牌，为两个通道重用立即数的 4x 2 位字段。（虽然vpermilpd 和vshufpd 都在其立即数中使用 1 位字段，并且可以在每个通道中进行不同的洗牌；上面的通道使用位 2 和 3。ZMM 版本使用位 4..7 作为上位256. 同样vpermilpd dst, src, imm 与vshufpd dst, src,src, imm 相同，除非您使用内存源或使用随机控制向量而不是立即数。）

这让您怀疑英特尔是否忘记了 VEX 编码将使非破坏性vshufps 能够为立即随机播放执行相同的操作。

或者他们可能考虑使用低功耗 CPU，例如 Knight's Landing (Xeon Phi)，其中 1-source shuffle 更便宜：

vpermilps 那里有 1 个周期的吞吐量，但 vshufps 或 vperm2f128 有 2 个周期的吞吐量和一个额外的延迟周期。（根据Agner Fog's instruction tables。）

因此，使用 vshufps 两次输入相同的输入会更慢。

但是在 Intel 的大核主流 CPU 上，是的，使用 vpermilps-immediate 与 vshufps 相比是一个错过的优化，除非你可以将它与内存源一起使用。 vshufps 需要两次相同的内存源，这显然是不可编码的。

AVX 的设计比 KNL 早了好几年，但也许 ISA 设计者考虑到，未来的某些 CPU 可能会通过更简单的 shuffle 来提高效率。

常规 Silvermont（KNL 所基于的无序 Atom）不支持 AVX，但它具有 1 uop / 1 周期的吞吐量和 shufps 的延迟。 Goldmont 的 shufps 吞吐量为 0.5c。

据我所知，英特尔仍然没有使用 AVX 制造低功耗内核（Xeon Phi 除外）。我认为他们不打算与 Goldmont Plus 的继任者 Tremont 或 Gracemont 合作。

【讨论】：