与 SIMD 内在函数进行比较和交换答案

【问题标题】：Compare and swap with SIMD intrinsics与 SIMD 内在函数进行比较和交换
【发布时间】：2015-08-27 12:29:45
【问题描述】：

如果发生某种情况，是否可以在 SIMD 指令中进行比较并交换值。换句话说，我有 4 个整数：

(100 5) (1 42)

我想收到：

(5 100) (1 42)

即我想成对比较（第一个值与第二个值，第三个与第四个值），如果左操作数更大 - 交换值。是否可以只使用 1 个 SIMD？

P.S.：这是我第一次尝试 SIMD，可能我使用了错误的术语 - 如果我错了，请纠正我。

【问题讨论】：

您正在研究 SIMD（或其他 wtv）的“明显方法”有什么问题？
是的，对不起，我忘了说我在做什么是为了学习。我正在尝试实现不同的排序算法并尽可能加快速度。
在不知道要谈论哪一组 SIMD（例如 SSE/AVX 或其他东西）的情况下，他们很难谈论 SIMD？
我不知道 - 有没有办法用 Visual Studio 进行检查？我知道我有 Intel Core i7 4930K - 它似乎支持 AVX，但我不知道是哪个版本。
@nikitablack AVX(1)（所以，不是 2）因为它是常春藤

标签： c++ simd

【解决方案1】：

对于支持 AVX2 的系统，有一个使用最小/最大并与 imm 混合的解决方案（它有 1 个周期延迟，而变量 1 有 2 个周期）。

以下代码有 3 个周期的延迟，并且在 HSW+ 上的吞吐量应该少于 2 个周期

__m128i tmp = _mm_shuffle_epi32(in, _MM_SHUFFLE(2,3,0,1));
__m128i min = _mm_min_epi32(in, tmp);
__m128i max = _mm_max_epi32(in, tmp);
// __m128i res = _mm_blend_epi32(min, max, 0xA); // AVX2 only
__m128i res = _mm_blend_epi16(min, max, 0xCC);   // SSE4.1

我已经在我的 HSW 系统上对其进行了测试（处理 20000 对 100K 次），它的性能比 stgatilov 的代码高约 26%

CMP + VARIABLE BLEND    1.18sec
MIN/MAX + BLEND_32      0.87sec // AVX2 only code
MIN/MAX + BLEND_PS      0.86sec // SSE
MIN/MAX + PLEND_16      0.88sec // Preferred for SSE

更新：根据stgatilov'下面的评论。所有 MIN/MAX 实现几乎都具有相同的性能（很可能只是卡在内存中）

【讨论】：

是的，使用 min/max 提供了一个更简单的解决方案。我认为这个解决方案可以适应 SSE4.1。只需使用_mm_blend_epi16 或_mm_blend_ps 而不是_mm_blend_epi32（可能会造成一些延迟/吞吐量损失）。
@Elalfer 谢谢。你能解释一下循环延迟是什么意思吗？什么是HSW+？
@nikitablack 指令延迟 - 执行一条指令需要多少个周期，HSW+ - 是 Haswell 微架构及更高版本（Broadwell，Skylake） .您可以找到有关指令延迟和吞吐量的更多信息@software.intel.com/sites/landingpage/IntrinsicsGuide

【解决方案2】：

您似乎想在单个 XMM 寄存器中对成对的 32 位整数进行排序。当然没有现成的指令，但您可以使用 SSE4.1 的一些指令来完成（注意：代码未测试）：

//input = [100, 5, 1, 42]
__m128i swapped = _mm_shuffle_epi32(input, _MM_SHUFFLE(2,3,0,1)); // [5, 100, 42, 1]
__m128i comp = _mm_cmplt_epi32(input, swapped);                   // [0, -1, -1, 0]
comp = _mm_xor_si128(comp, _mm_set_epi32(-1, 0, -1, 0));          // [0, 0, -1, -1]
input = _mm_blendv_epi8(swapped, input, comp);                    // [5, 100, 1, 42]

在 Ivy Bridge 上似乎是 7 微指令，需要 2 个 CPU 周期（吞吐量）。

如果需要，它可以轻松移植到 AVX2。

【讨论】：

@nikitablack：转到英特尔内部指南并一一检查每个命令。这并不难理解。 BTW xor 指令可以用另一个 shuffle 替换。
谢谢，已经这样做了。你能提示一下如何用洗牌替换 xor - 我自己想不出来。我怎么知道要洗牌的元素？
@nikitablack：比较结果会产生四个 32 位掩码。但是，第一个和第二个结果必须是互补的：(a （除非 a == b，在这种情况下任何掩码西装）。第三和第四个结果也是如此。现在我反转第二个和第四个蒙版，但您可以将第一个蒙版复制到第二个蒙版，将第三个蒙版复制到第四个蒙版。只需一次调用 _mm_shuffle_epi32 即可完成此元素的注册内复制。