AVX2 和 SSE2 的位向量运算

Question

我是 AVX2 和 SSE2 指令集的新手，我想详细了解如何使用这些指令集来加速位向量运算。

到目前为止，我已经成功地使用它们通过双/浮点操作对代码进行矢量化。

在这个例子中，我有一个 C++ 代码，它在将位向量（使用 unsigned int）中的一个位设置或不设置为特定值之前检查一个条件：

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;
}

变量sum只返回条件为真的情况数。

我尝试使用 SSE2 和 AVX2 重写此例程，但没有成功... :-(

是否可以使用 AVX2 和 SSE2 重写此类 C++ 代码？ 对这种类型的位操作使用矢量化是否值得？ 位向量可能包含数千位，所以我希望使用 SSE2 和 AVX2 来加速会很有趣。

提前致谢！

Answer 1

如果dim 是 8 的倍数，则以下内容应该有效（要处理余数，请在末尾添加一个普通循环）。微小的 API 更改：

• 使用long 而不是unsigned int 作为循环索引（这有助于clang 展开循环）
• 假设 bitvector 是 little-endian（如 cmets 中所建议的）

在循环内部，bitVector 按字节访问。可能值得将 movemask 的 2 或 4 个结果和位或它们一次组合起来（可能取决于目标架构）。

要计算sum，直接从cmp_ps 运算的结果计算8 个部分和。由于无论如何您都需要位掩码，因此可能值得使用popcnt（理想情况下，将 2、4 或 8 个字节组合在一起后——同样，这可能取决于您的目标架构）。

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);
}

神栓链接：https://godbolt.org/z/ABwDPe

• 出于某种原因，GCC 使用 vpsubd ymm2, ymm0, ymm1; vmovdqa ymm0, ymm2; 而不仅仅是 vpsubd ymm0, ymm0, ymm1。
• Clang 无法将load 与vcmpps 连接起来（并使用LE 而不是GE 比较）——如果你不关心如何处理NaN，你可以使用_CMP_NLT_US 代替的_CMP_GE_OQ。

---

大端输出的修订版（未经测试）：

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;
}

这个想法是在应用vpmovmskb 之前对字节进行洗牌。对于 32 个输入值，这需要 5 次 shuffle 操作（包括 3 次 vpacksswb），但总和的计算是使用 popcnt 而不是 4 vpsubd 完成的。 vpermq (_mm256_permute4x64_epi64) 可以通过在比较它们之前策略性地将 128 位一半加载到 256 位向量中来避免。另一个想法（因为无论如何您都需要对最终结果进行洗牌）将部分结果混合在一起（这往往需要 p5 或 2*p015 在我检查过的架构上，所以可能不值得）。