【问题标题】:How to interleave 3 float vectors into an array with AVX intrinsics C++如何使用 AVX 内在函数 C++ 将 3 个浮点向量交错到数组中
【发布时间】:2021-11-03 04:28:06
【问题描述】:

我有 3 个__m256 向量 x、y、z,每个向量都填充了 8 个数据元素(单精度浮点数), 我想将它们交错存储到内存中[x0, y0, z0, x1, y1, z1, ...]

用于将它们存储到(可能未对齐的)数组或std::vector 中的相关且有用的操作是什么?

蛮力方式显然很糟糕,除非编译器把它变成一些向量洗牌:

#include "immintrin.h"
#include <vector>

// actually the results of computation, so typically already live in regs
__m256 x = _mm256_set_ps(7.0f, 6.0f, 5.0f, 4.0f, 3.0f, 2.0f, 1.0f, 0.0f);
__m256 y = _mm256_set_ps(7.1f, 6.1f, 5.1f, 4.1f, 3.1f, 2.1f, 1.1f, 0.1f);
__m256 z = _mm256_set_ps(7.2f, 6.2f, 5.2f, 4.2f, 3.2f, 2.2f, 1.2f, 0.2f);

std::vector<float> result;
result.resize(24);
for (int i = 0; i < 8; i++)
{
    result[i * 3] = x[i];
    result[i * 3 + 1] = y[i];
    result[i * 3 + 2] = z[i];
} // result = {0.0f, 0.1f, 0.2f, 1.0f, 1.1f, 1.2f, etc..}

【问题讨论】:

  • 它们实际上是在 memory 中开始的,还是那些 __m256 "arrays"(实际上是向量)是刚刚完成的计算结果,所以它们已经会在寄存器中吗?
  • 英特尔相关文章:software.intel.com/content/www/us/en/develop/articles/…(如何转置 3x8 矩阵)
  • 数组将是刚刚完成的计算结果,因此它们将在寄存器中。对歧义感到抱歉!感谢英特尔的文章,它解决了我的问题!
  • @chtz:那是只使用 AVX1,所以看起来 rob 的 AVX2 答案对于 Skylake 和类似的 CPU 来说要好得多。 (如果存储缓冲区可以吸收未对齐的存储的任何额外成本,则吞吐量增加一倍,包括存储)

标签: c++ simd intrinsics avx avx2


【解决方案1】:
typedef __m256 f256;
typedef __m256i i256;

#define set8i _mm256_setr_epi32

inline f256 permute8f(const f256 a, const i256 choice) {
   return _mm256_permutevar8x32_ps(a, choice); 
}

template<bool c0, bool c1, bool c2, bool c3, bool c4, bool c5, bool c6, bool c7>
inline f256 select8f(const f256 tr, const f256 fr)
  { return _mm256_blend_ps(fr, tr, (c7 << 7) | (c6 << 6) | (c5 << 5) | (c4 << 4) | (c3 << 3) | (c2 << 2) | (c1 << 1) | c0); }

void vec3_soa_to_aos(f256& A, f256& B, f256& C,
         const f256 x, const f256 y, const f256 z)
{
  // indices so we can permute into something sane. 
  const i256 PX = set8i(0, 3, 6, 1, 4, 7, 2, 5);
  const i256 PY = set8i(5, 0, 3, 6, 1, 4, 7, 2);
  const i256 PZ = set8i(2, 5, 0, 3, 6, 1, 4, 7);

  // re-arrange so we can select correct elements.
  const f256 X = permute8f(x, PX);  // 0.0f  3.0f  6.0f  1.0f  4.0f  7.0f  2.0f  5.0f
  const f256 Y = permute8f(y, PY);  // 5.1f  0.1f  3.1f  6.1f  1.1f  4.1f  7.1f  2.1f
  const f256 Z = permute8f(z, PZ);  // 2.2f  5.2f  0.2f  3.2f  6.2f  1.2f  4.2f  7.2f 
  
  // perform our two stage selection
  const f256 A0 = select8f<1, 0, 0, 1, 0, 0, 1, 0>(X, Y);  // 0.0f  0.1f  whatever  1.0f  1.1f  whatever  2.0f  2.1f
  const f256 B0 = select8f<1, 0, 0, 1, 0, 0, 1, 0>(Z, X);  // 2.2f  3.0f  whatever  3.2f  4.0f  whatever  4.2f  5.0f
  const f256 C0 = select8f<1, 0, 0, 1, 0, 0, 1, 0>(Y, Z);  // 5.1f  5.2f  whatever  6.1f  6.2f  whatever  7.1f  7.2f
  A = select8f<0, 0, 1, 0, 0, 1, 0, 0>(Z, A0);  // 0.0f  0.1f  0.2f  1.0f  1.1f  1.2f  2.0f  2.1f
  B = select8f<0, 0, 1, 0, 0, 1, 0, 0>(Y, B0);  // 2.2f  3.0f  3.1f  3.2f  4.0f  4.1f  4.2f  5.0f
  C = select8f<0, 0, 1, 0, 0, 1, 0, 0>(X, C0);  // 5.1f  5.2f  6.0f  6.1f  6.2f  7.0f  7.1f  7.2f 
}

// for completeness.... 
inline void vec3_aos_to_soa(
  const f256 A, const f256 B, const f256 C, 
  f256& x, f256& y, f256& z)
{
  const f256 X0 = select8f<1, 0, 0, 1, 0, 0, 1, 0>(A, B);
  const f256 Y0 = select8f<1, 0, 0, 1, 0, 0, 1, 0>(C, A);
  const f256 Z0 = select8f<1, 0, 0, 1, 0, 0, 1, 0>(B, C);

  const f256 X = select8f<0, 0, 1, 0, 0, 1, 0, 0>(C, X0);
  const f256 Y = select8f<0, 0, 1, 0, 0, 1, 0, 0>(B, Y0);
  const f256 Z = select8f<0, 0, 1, 0, 0, 1, 0, 0>(A, Z0);

  const i256 PX = set8i(0, 3, 6, 1, 4, 7, 2, 5);
  const i256 PY = set8i(1, 4, 7, 2, 5, 0, 3, 6);
  const i256 PZ = set8i(2, 5, 0, 3, 6, 1, 4, 7);

  // rearrange and output
  x = permute8f(X, PX);
  y = permute8f(Y, PY);
  z = permute8f(Z, PZ);
}

__m256 x = _mm256_set_ps(7.0f, 6.0f, 5.0f, 4.0f, 3.0f, 2.0f, 1.0f, 0.0f);
__m256 y = _mm256_set_ps(7.1f, 6.1f, 5.1f, 4.1f, 3.1f, 2.1f, 1.1f, 0.1f);
__m256 z = _mm256_set_ps(7.2f, 6.2f, 5.2f, 4.2f, 3.2f, 2.2f, 1.2f, 0.2f);

vec3_soa_to_aos(x, y, z, x, y, z);


std::vector<float> result;
result.resize(24);
_mm256_storeu_ps(result.data(), x);
_mm256_storeu_ps(result.data() + 8, y);
_mm256_storeu_ps(result.data() + 16, z);

【讨论】:

  • 3 shuffle 和 6 blends 在现代 Intel(如 Skylake)上相当不错,其中 32 位元素大小或更宽的直接混合(如您的 vblendps)可以在 3 个中的任何一个上运行矢量 ALU 端口。 software.intel.com/content/www/us/en/develop/articles/… 提供了仅使用 128 位存储的 AVX1 算法,使用 6 个 vshufps ymm 和 3 个 128 位 vmovups 存储,3 个 vextractf128 [mem], ymm, 1(2 微指令未在 Skylake 上进行微融合,但仅用于存储端口)。所以每 6 个时钟 1 个。
  • 对比您的吞吐量包括 3 个 256 位存储(3 个 shuffle、6 个混合、3 个存储 = 12 微指令),但均匀分布在后端端口上,以在 Skylake / Ice Lake 上实现每 3 个时钟 1 个的最佳吞吐量,保持所有向量 ALU 端口都已饱和,而 SKL 上的存储数据端口已饱和。
猜你喜欢
  • 1970-01-01
  • 2016-05-02
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
相关资源
最近更新 更多