目标是获得AVX寄存器的所有4个64位组件的XOR.它基本上与水平加法(_mm256_hadd_epi32())做同样的事情,除了我想要XOR而不是ADD.
标量代码是：
inline uint64_t HorizontalXor(__m256i t) {
return t.m256i_u64[0] ^ t.m256i_u64[1] ^ t.m256i_u64[2] ^ t.m256i_u64[3];
}
解决方法
inline uint64_t HorizontalXor(__m256i t) {
return t.m256i_u64[0] ^ t.m256i_u64[1] ^ t.m256i_u64[2] ^ t.m256i_u64[3];
}
假设t在ymm1中,则生成的反汇编将如下所示：
vextractf128 xmm0,ymm1,1 vpextrq rax,xmm0,1 vmovq rcx,xmm1 xor rax,rcx vpextrq rcx,xmm1,1 vextractf128 xmm0,1 xor rax,rcx vmovq rcx,xmm0 xor rax,rcx
…结果留在RAX中.如果这准确反映了您的需求(标量uint64_t结果),则此代码就足够了.
您可以使用内在函数稍微改进它：
inline uint64_t _mm256_hxor_epu64(__m256i x)
{
const __m128i temp = _mm256_extracti128_si256(x,1);
return (uint64_t&)x
^ (uint64_t)(_mm_extract_epi64(_mm256_castsi256_si128(x),1))
^ (uint64_t&)(temp)
^ (uint64_t)(_mm_extract_epi64(temp,1));
}
然后你将得到以下反汇编(再次,假设x在ymm1中)：
vextracti128 xmm2,1 vpextrq rcx,xmm2,xmm2 xor rax,rcx
请注意,我们能够忽略一条提取指令,并且我们确保使用VEXTRACTI128而不是VEXTRACTF128(尽管如此,this choice probably does not matter).
您将在其他编译器上看到类似的输出.例如,这里是GCC 7.1(假设x在ymm0中)：
vextracti128 xmm2,ymm0,0x1 vpextrq rax,1 vmovq rdx,xmm2 vpextrq rcx,rdx vmovq rdx,rdx xor rax,rcx
有相同的说明,但它们已经略有重新排序.内在函数允许编译器的调度程序按其认为最佳的顺序进行排序. Clang 4.0以不同的方式安排它们：
vmovq rax,xmm0 vpextrq rcx,1 xor rcx,rax vextracti128 xmm0,xmm0 xor rdx,rcx vpextrq rax,rdx
当然,当代码内联时,这种排序总是会发生变化.
另一方面,如果您希望结果在AVX寄存器中,那么您首先需要决定如何存储它.我想你只是将单个64位结果存储为标量,如：
inline __m256i _mm256_hxor(__m256i x)
{
const __m128i temp = _mm256_extracti128_si256(x,1);
return _mm256_set1_epi64x((uint64_t&)x
^ (uint64_t)(_mm_extract_epi64(_mm256_castsi256_si128(x),1))
^ (uint64_t&)(temp)
^ (uint64_t)(_mm_extract_epi64(temp,1)));
}
但是现在你正在进行大量的数据改组,否定了从矢量化代码中可能看到的任何性能提升.
说到这一点,我不确定你是如何让自己陷入这样一种情况,你需要首先进行这样的横向操作. SIMD操作旨在垂直缩放,而不是水平缩放.如果您仍处于实施阶段,则可能需要重新考虑设计.特别是,您应该在4个不同的AVX寄存器中生成4个整数值,而不是将它们全部打包成一个.
如果您确实希望将4个结果打包到AVX寄存器中,那么您可以执行以下操作：
inline __m256i _mm256_hxor(__m256i x)
{
const __m256i temp = _mm256_xor_si256(x,_mm256_permute2f128_si256(x,x,1));
return _mm256_xor_si256(temp,_mm256_shuffle_epi32(temp,_MM_SHUFFLE(1,3,2)));
}
这仍然通过一次执行两次XOR来利用一点并行性,这意味着只需要两次XOR操作,而不是三次.
如果它有助于可视化,这基本上做：
A B C D ⟵ input XOR XOR XOR XOR C D A B ⟵ permuted input ===================================== A^C B^D A^C B^D ⟵ intermediate result XOR XOR XOR XOR B^D A^C B^D A^C ⟵ shuffled intermediate result ====================================== A^C^B^D A^C^B^D A^C^B^D A^C^B^D ⟵ final result
vperm2f128 ymm0,1 ; input is in YMM1 vpxor ymm2,ymm1 vpshufd ymm1,ymm2,78 vpxor ymm0,ymm2
(在我第一次发布这个答案之后,我在上床的路上想出了这个,并计划回来更新答案,但我看到wim在发布它时打败了我.哦,这仍然是一个更好的方法比我第一次拥有,所以它仍然值得包含在这里.)
当然,如果你想在整数寄存器中使用它,你只需要一个简单的VMOVQ：
vperm2f128 ymm0,ymm2 vmovq rax,xmm0
问题是,这会比上面的标量代码更快.答案是,是的,可能.虽然您使用AVX执行单元进行XOR,而不是完全独立的整数执行单元,但需要完成的AVX shuffles / permutes / extract更少,这意味着开销更少.因此,我可能还需要在标量代码上吃掉我的话,这是最快的实现.但这实际上取决于您正在做什么以及如何安排/交错指令.
