assembly - 是否可以对数组中的每 3 个相邻元素求和,并使用向量指令使它们中的每一个都等于总和?
问题描述
在我的程序中,我有一个 32 位整数的大数组。我必须对其进行以下操作:
sum = array[i] + array[i+1] + array[i+2]
array[i] = sum
array[i+1] = sum
array[i+2] = sum
i+=3
或者,正如我在汇编中写的那样:
loop: ;R12 - address of the array, R11 - last element, R10 - iterator
mov eax, [R12 + R10]
add eax, [R12 + R10 + 4]
add eax, [R12 + R10 + 8]
mov [R12 + R10], eax
mov [R12 + R10 + 4], eax
mov [R12 + R10 + 8], eax
mov rax, 0
mov rdx, 0
add R10, 12
cmp R10, R11
jb loop
是否可以使用向量指令来做到这一点?如果是这样,怎么做?
解决方案
编译器可以为您进行矢量化,但使用内在函数进行矢量化可能会导致更高效的代码。下面的函数sum3neighb
将数组的 3 个相邻元素与 12 个整数元素相加。它没有使用许多 shuffle,而是使用重叠加载来在正确的位置获取数据。
/* gcc -O3 -Wall -march=sandybridge -m64 neighb3.c */
#include <stdio.h>
#include <immintrin.h>
inline __m128i _mm_shufps_epi32(__m128i a, __m128i b,int imm){
return _mm_castps_si128(_mm_shuffle_ps(_mm_castsi128_ps(a),_mm_castsi128_ps(b),imm));
}
/* For an integer array of 12 elements, sum every 3 neighbouring elements */
void sum3neighb(int * a){
__m128i a_3210 = _mm_loadu_si128((__m128i*)&a[0]);
__m128i a_9876 = _mm_loadu_si128((__m128i*)&a[6]);
__m128i a_9630 = _mm_shufps_epi32(a_3210, a_9876, 0b11001100);
__m128i a_4321 = _mm_loadu_si128((__m128i*)&a[1]);
__m128i a_A987 = _mm_loadu_si128((__m128i*)&a[7]);
__m128i a_A741 = _mm_shufps_epi32(a_4321, a_A987, 0b11001100);
__m128i a_5432 = _mm_loadu_si128((__m128i*)&a[2]);
__m128i a_BA98 = _mm_loadu_si128((__m128i*)&a[8]);
__m128i a_B852 = _mm_shufps_epi32(a_5432, a_BA98, 0b11001100);
__m128i sum = _mm_add_epi32(a_9630, a_A741);
sum = _mm_add_epi32(sum, a_B852); /* B+A+9, 8+7+6, 5+4+3, 2+1+0 */
__m128i sum_3210 = _mm_shuffle_epi32(sum, 0b01000000);
__m128i sum_7654 = _mm_shuffle_epi32(sum, 0b10100101);
__m128i sum_BA98 = _mm_shuffle_epi32(sum, 0b11111110);
_mm_storeu_si128((__m128i*)&a[0], sum_3210);
_mm_storeu_si128((__m128i*)&a[4], sum_7654);
_mm_storeu_si128((__m128i*)&a[8], sum_BA98);
}
int main(){
int i;
int a[24];
for (i = 0; i < 24; i++) a[i] = i + 4; /* example input */
for (i = 0; i < 24; i++){ printf("%3i ",a[i]);}
printf("\n");
for (i = 0; i < 24; i = i + 12){
sum3neighb(&a[i]);
}
for (i = 0; i < 24; i++){ printf("%3i ",a[i]);}
printf("\n");
return 0;
}
这编译为以下程序集(使用 gcc 8.2):
sum3neighb:
vmovups xmm4, XMMWORD PTR [rdi+4]
vshufps xmm2, xmm4, XMMWORD PTR [rdi+28], 204
vmovups xmm3, XMMWORD PTR [rdi]
vshufps xmm0, xmm3, XMMWORD PTR [rdi+24], 204
vpaddd xmm0, xmm0, xmm2
vmovups xmm5, XMMWORD PTR [rdi+8]
vshufps xmm1, xmm5, XMMWORD PTR [rdi+32], 204
vpaddd xmm0, xmm0, xmm1
vpshufd xmm2, xmm0, 64
vpshufd xmm1, xmm0, 165
vmovups XMMWORD PTR [rdi], xmm2
vpshufd xmm0, xmm0, 254
vmovups XMMWORD PTR [rdi+16], xmm1
vmovups XMMWORD PTR [rdi+32], xmm0
ret
示例程序的输出是:(第一行是输入,第二行是输出,行被截断。)
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 ...
15 15 15 24 24 24 33 33 33 42 42 42 51 51 51 60 ...
clang 不接受该_mm_shufps_epi32
功能,请参阅彼得的评论。有两种选择: 模板函数(参见 chtz 的评论,Godbolt 链接)
template<int imm>
inline __m128i _mm_shufps_epi32(__m128i a, __m128i b){
return _mm_castps_si128(_mm_shuffle_ps(_mm_castsi128_ps(a),_mm_castsi128_ps(b),imm));
}
或宏:
#define _mm_shufps_epi32(a,b,i) _mm_castps_si128(_mm_shuffle_ps(_mm_castsi128_ps(a),_mm_castsi128_ps(b),i))
在较新的 Intel 架构(自 Haswell 起)上,整数向量加法指令比 shuffle 指令更快,请参阅 Agner Fog 的指令表。在这种情况下,下面的代码可能会稍微高效一些。它需要 2 次加法,但也需要 2 次洗牌:
void sum3neighb_v3(int * a){
__m128i a_3210 = _mm_loadu_si128((__m128i*)&a[0]);
__m128i a_4321 = _mm_loadu_si128((__m128i*)&a[1]);
__m128i a_5432 = _mm_loadu_si128((__m128i*)&a[2]);
__m128i sum53_20 = _mm_add_epi32(a_3210, a_5432);
__m128i sum543_210 = _mm_add_epi32(sum53_20, a_4321);
__m128i a_9876 = _mm_loadu_si128((__m128i*)&a[6]);
__m128i a_A987 = _mm_loadu_si128((__m128i*)&a[7]);
__m128i a_BA98 = _mm_loadu_si128((__m128i*)&a[8]);
__m128i sumB9_86 = _mm_add_epi32(a_9876, a_BA98);
__m128i sumBA9_876 = _mm_add_epi32(sumB9_86, a_A987
);
__m128i sum = _mm_shufps_epi32(sum543_210, sumBA9_876, 0b11001100);
__m128i sum_3210 = _mm_shuffle_epi32(sum, 0b01000000);
__m128i sum_7654 = _mm_shuffle_epi32(sum, 0b10100101);
__m128i sum_BA98 = _mm_shuffle_epi32(sum, 0b11111110);
_mm_storeu_si128((__m128i*)&a[0], sum_3210);
_mm_storeu_si128((__m128i*)&a[4], sum_7654);
_mm_storeu_si128((__m128i*)&a[8], sum_BA98);
}
AVX2 版本
AVX2 版本,见下面的代码,使用车道交叉洗牌,因此不太适合 AMD 处理器,另见chtz 的回答。
void sum3neighb_avx2(int * a){
__m256i a_0 = _mm256_loadu_si256((__m256i*)&a[0]);
__m256i a_1 = _mm256_loadu_si256((__m256i*)&a[1]);
__m256i a_2 = _mm256_loadu_si256((__m256i*)&a[2]);
__m256i a_8 = _mm256_loadu_si256((__m256i*)&a[8]);
__m256i a_9 = _mm256_loadu_si256((__m256i*)&a[9]);
__m256i a_10 = _mm256_loadu_si256((__m256i*)&a[10]);
__m256i a_16 = _mm256_loadu_si256((__m256i*)&a[16]);
__m256i a_17 = _mm256_loadu_si256((__m256i*)&a[17]);
__m256i a_18 = _mm256_loadu_si256((__m256i*)&a[18]);
__m256i sum_0 = _mm256_add_epi32(_mm256_add_epi32(a_0, a_1), a_2);
__m256i sum_8 = _mm256_add_epi32(_mm256_add_epi32(a_8, a_9), a_10);
__m256i sum_16 = _mm256_add_epi32(_mm256_add_epi32(a_16, a_17), a_18);
__m256i sum_8_0 = _mm256_blend_epi32(sum_0, sum_8, 0b10010010);
__m256i sum = _mm256_blend_epi32(sum_8_0, sum_16, 0b00100100);
__m256i sum_7_0 = _mm256_permutevar8x32_epi32(sum, _mm256_set_epi32(6,6,3,3,3,0,0,0));
__m256i sum_15_8 = _mm256_permutevar8x32_epi32(sum, _mm256_set_epi32(7,4,4,4,1,1,1,6));
__m256i sum_23_16 = _mm256_permutevar8x32_epi32(sum, _mm256_set_epi32(5,5,5,2,2,2,7,7));
_mm256_storeu_si256((__m256i*)&a[0], sum_7_0 );
_mm256_storeu_si256((__m256i*)&a[8], sum_15_8 );
_mm256_storeu_si256((__m256i*)&a[16], sum_23_16);
}
推荐阅读
- laravel - Laravel 验证规则:检查输入数组索引
- javascript - 无效的 JSON 响应 - C# MVC
- internet-explorer - 如何为基于 Internet Explorer 的应用程序运行 Accessibility Insights for Web
- python - 尝试在 Python 中生成正弦波“.wav”文件。以方波形式出现
- reactjs - 无法在 Antd 3.x Select 组件中禁用搜索(即使 showSearch 属性设置为 false)
- flutter - 如何在 Flutter 中沿曲线定位小部件列表?
- python - 如何通过 API 调用解析数据集的完整记录集?
- oracle-apex - 如何将 oracle 表(顶点)与 ArcMap 连接?
- xslt - XSLT:通过匹配属性值将节点数据复制到另一个节点,有效吗?
- javascript - 如何使用flask从HTML表中的for循环中获取动态选择的id?