我是 AVX 的新手（来自 ARM NEON），对于 AVX 缺少许多 U8 算法，其中缺少绝对差异，我感到非常惊讶。
因此我不得不求助于max(a,b)-min(a,b) 的内联函数：
static inline __m256i _mm256_abd_epu8(__m256i a, __m256i b)
{
return _mm256_sub_epi8(_mm256_max_epu8(a, b), _mm256_min_epu8(a, b));
}
我很好奇是否有更有效的方法来处理这个问题。
是的，我知道_mm256_sad_epu8，但我需要差异本身，而不是总和。
我很感激任何意见，AVX2 没问题，不考虑任何向后兼容性。
提前致谢。
【问题讨论】：
我不知道仅使用 2 条或更少的指令来执行此操作的任何技巧。 （而且这个问题的 SSE 版本也没有更好的东西：Compute the absolute difference between unsigned integers using SSE）。它确实提到了我在这个答案中使用的饱和方法。
稍微在 Skylake 之前的版本上更好：用无符号饱和度减去两种方式，然后 OR 结果。 （对于每个元素，a-b 或 b-a 都饱和为零。）
_mm256_or_si256(_mm256_subs_epu8(a,b), _mm256_subs_epu8(b,a))
在 Haswell 上，pmin/pmax 和 psub 仅在端口 1 或端口 5 上运行，但 por 可以在三个向量执行端口（0、1、5）中的任何一个上运行。
Skylake 添加了第三个向量整数加法器，因此该 uarch 没有区别。 （参见http://agner.org/optimize/ 和x86 标签wiki 中的其他链接，包括英特尔的优化手册。）
这在 Ryzen 上也稍微好一些，根据 Agner Fog 的测试，VPOR 可以在任何 P0123 上运行，但 PADD/PMIN 只能在 P013 上运行。 （Ryzen 将 256b 向量运算拆分为 2 个微指令，但它具有有用的吞吐量。它无法仅使用单微指令指令填充其 6 微指令宽的管道。）
可以在更多端口上运行的 Uop 等待其分配的端口（资源冲突）的可能性较小，因此您实际上更有可能获得 2 个周期的总延迟（从两个输入都准备好到输出准备好了）。如果存在对特定端口的竞争（例如端口 5，它在 Intel Haswell 及更高版本上具有唯一的 shuffle 单元），它们也不太可能导致吞吐量瓶颈。
【讨论】：