Question

我是AVX的新手（来自ARM NEON），并且令人不高兴的是，AVX缺少许多U8算术，绝对差异在于他们之间缺失。

因此我不得不使用内联函数求助max(a,b)-min(a,b)：

static inline __m256i _mm256_abd_epu8(__m256i a, __m256i b)
{
    return _mm256_sub_epi8(_mm256_max_epu8(a, b), _mm256_min_epu8(a, b));
}

我很好奇是否有更有效的方法来处理这个问题。

是的，我知道_mm256_sad_epu8，但我自己需要差异，而不是总和。

我很感激任何输入，AVX2没关系，无视任何向后兼容性。

提前致谢。

Answer 1

我只知道只有2条或更少的指令才能做到这一点。（这个问题的SSE版本也没有更好的：Compute the absolute difference between unsigned integers using SSE）。它确实提到了我在这个答案中使用的饱和方法。

在Skylake之前

稍微更好：用无符号饱和度减去两种方式，然后对结果进行OR运算。（每个元素的a-b或b-a饱和为零。）

_mm256_or_si256(_mm256_subs_epu8(a,b), _mm256_subs_epu8(b,a))

在Haswell上，pmin / pmax和psub仅在端口1或端口5上运行，但por可以在三个向量执行端口中的任何一个上运行（0 ，1,5）。

Skylake添加了第3个向量整数加法器，因此该uarch没有区别。（请参阅http://agner.org/optimize/标记维基中的x86和其他链接，包括英特尔优化手册。）

对于Ryzen而言，这也略胜一筹，其中VPOR可以在任何P0123上运行，但PADD / PMIN只能根据Agner Fog的测试在P013上运行。（Ryzen将256b矢量运算分成2个uop，但它的吞吐量很有用。它只能用单uop指令填充它的6-uop宽管道。）

可以在更多端口上运行的Uops不太可能被延迟等待其分配的端口（资源冲突），因此您更有可能实际获得2个周期的总延迟（从两个输入准备到输出准备好了）。如果竞争特定端口（例如端口5在英特尔Haswell及其后的唯一的随机播放单元），它们也不太可能导致吞吐量瓶颈。