时间戳

首页 > 解决方案 > 如何矢量化 data_i16[0 到 15]？

c++ - 如何矢量化 data_i16[0 到 15]？

问题描述

我在Intel Intrinsic 网站上，无法弄清楚我想要什么指令组合。我想做的是

result = high_table[i8>>4] & low_table[i8&15]

两个表都是 16 位（或更多）。shuffle 似乎是我想要的（_mm_shuffle_epi8），但是获得 8 位值对我不起作用。似乎没有 16 位版本，非字节版本似乎需要第二个参数作为立即值。

我应该如何实现这一点？我是否为每个表调用 _mm_shuffle_epi8 两次，将其转换为 16 位并将值移动 8？如果是这样，我想查看哪个演员表和班次指令？

标签： c++arraysssesimdlookup-tables

解决方案

要将传入的索引拆分为两个半字节向量，您需要通常的位移位和 AND。SSE 没有 8 位移位，因此您必须使用更宽的位移和 AND 来模拟移动到字节顶部的位。（因为不幸的是，这个用例_mm_shuffle_epi8不会忽略高位。如果设置了顶部选择器位，它将将该输出元素归零。）

您绝对不想将传入i8向量扩展到 16 位元素；那将无法与_mm_shuffle_epi8.

AVX2 具有vpermd：从 8x 32 位元素的向量中选择双字。（只有 3 位索引，所以它不适合您的用例，除非您的 nibbles 只有 0..7）。AVX512BW 有更广泛的洗牌，包括vpermi2w索引到两个向量的串联表中，或者只是vpermw索引单词。

但是对于只有 SSSE3 的 128 位向量，是的pshufb( _mm_shuffle_epi8) 是要走的路。您需要两个单独的向量high_table，一个用于高字节，一个用于每个单词条目的低字节。另外两个向量用于 low_table 的一半。

使用_mm_unpacklo_epi8和_mm_unpackhi_epi8交错两个向量的低 8 字节，或两个向量的高 8 字节。这将为您提供所需的 16 位 LUT 结果，每个字的上半部分来自高半向量。

即，您正在使用此交错从两个 8 位 LUT 中构建一个 16 位 LUT。你要为两个不同的 LUT 重复这个过程两次。

代码看起来像

// UNTESTED, haven't tried even compiling this.

// produces 2 output vectors, you might want to just put this in a loop instead of making a helper function for 1 vector.
// so I'll omit actually returning them.
void foo(__m128i indices)
{
   // these optimize away, only used at compile time for the vector initializers
   static const uint16_t high_table[16] = {...},
   static const uint16_t low_table[16] =  {...};

   // each LUT needs a separate vector of high-byte and low-byte parts
   // don't use SIMD intrinsics to load from the uint16_t tables and deinterleave at runtime, just get the same 16x 2 x 2 bytes of data into vector constants at compile time.
   __m128i high_LUT_lobyte = _mm_setr_epi8(high_table[0]&0xff, high_table[1]&0xff, high_table[2]&0xff, ... );
   __m128i high_LUT_hibyte = _mm_setr_epi8(high_table[0]>>8, high_table[1]>>8, high_table[2]>>8, ... );

   __m128i low_LUT_lobyte = _mm_setr_epi8(low_table[0]&0xff, low_table[1]&0xff, low_table[2]&0xff, ... );
   __m128i low_LUT_hibyte = _mm_setr_epi8(low_table[0]>>8, low_table[1]>>8, low_table[2]>>8, ... );


// split the input indexes: emulate byte shift with wider shift + AND
    __m128i lo_idx = _mm_and_si128(indices, _mm_set1_epi8(0x0f));
    __m128i hi_idx = _mm_and_si128(_mm_srli_epi32(indices, 4), _mm_set1_epi8(0x0f));

    __m128i lolo = _mm_shuffle_epi8(low_LUT_lobyte, lo_idx);
    __m128i lohi = _mm_shuffle_epi8(low_LUT_hibyte, lo_idx);

    __m128i hilo = _mm_shuffle_epi8(high_LUT_lobyte, hi_idx);
    __m128i hihi = _mm_shuffle_epi8(high_LUT_hibyte, hi_idx);

   // interleave results of LUT lookups into vectors 16-bit elements
    __m128i low_result_first  = _mm_unpacklo_epi8(lolo, lohi);
    __m128i low_result_second = _mm_unpackhi_epi8(lolo, lohi);
    __m128i high_result_first  = _mm_unpacklo_epi8(hilo, hihi);
    __m128i high_result_second = _mm_unpackhi_epi8(hilo, hihi);

    // first 8x 16-bit high_table[i8>>4] & low_table[i8&15] results
    __m128i and_first = _mm_and_si128(low_result_first, high_result_first);
    // second 8x 16-bit high_table[i8>>4] & low_table[i8&15] results
    __m128i and_second = _mm_and_si128(low_result_second, high_result_second);

    // TOOD: do something with the results.
}

你可以在交错之前，高半对高半，低对低。对于指令级并行性来说，这可能会更好一些，让 AND 的执行与 shuffle 重叠。（通过 Skylake 的 Intel Haswell 只有 1/clock 的 shuffle 吞吐量。）

选择变量名是与此类事情的斗争。有些人只是放弃并为一些中间步骤使用无意义的名称。

推荐阅读