SSE - 不存在的haddsub内在?

时间:2018-02-12 23:52:49

标签: sse simd intrinsics

虽然可以通过内在函数爬行,但我注意到无处可见水平的addub / subadd intruction。它可以在过时的3DNow中使用!但是,由于显而易见的原因,它的使用是不切实际的。这种"基本"是什么原因?在SSE3扩展中没有实现操作以及类似的水平和addsub操作?

顺便说一句,现代指令集(SSE3,SSE4,AVX,......)中最快的选择是什么? (每个值2个双倍,即__m128d)

2 个答案:

答案 0 :(得分:4)

通常,您希望避免将代码设计为首先使用水平操作;尝试对多个数据并行执行相同的操作,而不是使用不同的元素进行不同的操作。但有时局部优化仍然是值得的,水平的东西可能比纯标量更好。

英特尔尝试在SSE3中添加水平操作,但从未添加专用硬件来支持它们。它们在支持它们的所有CPU(包括AMD)上解码为2次shuffle + 1次垂直操作。见Agner Fog's instruction tables。除了SSE4.1 dpps / dppd之外,最近的ISA扩展大多数都不包括更多的水平操作(通常也不值得使用而不是手动改组)。

SSSE3 pmaddubsw是有道理的,因为元素宽度已经成为扩大乘法的一个问题,SSE4.1 phminposuw得到了专用的硬件支持,以使其值得使用(并且做同样的事情,如果没有它会花费成本很多uops,它对视频编码特别有用)。但AVX / AVX2 / AVX512水平操作非常稀缺。 AVX512确实引入了一些不错的改组,所以如果需要的话,你可以用强大的2输入交叉改组来建立你自己的水平操作。

如果问题的最有效解决方案已经包括将两个输入以两种不同的方式混合在一起并将其提供给add或sub,那么确定haddpd是一种有效的编码方式;特别是在没有AVX的情况下,准备输入可能也需要movaps指令,因为shufpd具有破坏性(编译器在使用内在函数时静默发出,但仍然需要前端带宽和CPU等延迟) Sandybridge和之前的版本没有消除reg-reg移动)。

但是如果你打算两次使用相同的输入,haddpd是错误的选择。另见Fastest way to do horizontal float vector sum on x86hadd / hsub只有两个不同的输入才是个好主意,例如作为动态转置的一部分,作为矩阵上其他一些操作的一部分。

无论如何,重点是,如果您需要,可以构建自己的haddsub_pd,使用两个shuffle + SSE3 addsubpd 支持它的CPU上的单uop硬件支持。)对于AVX,它将与假设的haddsubpd指令一样快,没有AVX通常会花费额外的{{1}因为编译器需要保留第一个shuffle的两个输入。 (代码大小会更大,但我说的是前端的uop成本和后端的执行端口压力。)

movaps

With gcc -msse3 and clang (on Godbolt)我们得到了预期的结果:

 // Requires SSE3 (for addsubpd)

  // inputs: a=[a1 a0]  b=[b1 b0]
  // output:   [b1+b0, a1-a0],  like haddpd for b and hsubpd for a
static inline
__m128d haddsub_pd(__m128d a, __m128d b) {
    __m128d lows  = _mm_unpacklo_pd(a,b);  // [b0,    a0]
    __m128d highs = _mm_unpackhi_pd(a,b);  // [b1,    a1]
    return _mm_addsub_pd(highs, lows);     // [b1+b0, a1-a0]
}

这在内联时通常不重要,但作为一个独立的函数,gcc和clang在需要 movapd xmm2, xmm0 # ICC saves a code byte here with movaps, but gcc/clang use movapd on double vectors for no advantage on any CPU. unpckhpd xmm0, xmm1 unpcklpd xmm2, xmm1 addsubpd xmm0, xmm2 ret 开始的同一个寄存器中的返回值时会遇到麻烦,而不是b 。 (例如,如果args被反转,那么它是a)。

haddsub(b,a)

clang实际上做得更好,使用不同的shuffle(# gcc for haddsub_pd_reverseargs(__m128d b, __m128d a) movapd xmm2, xmm1 # copy b unpckhpd xmm1, xmm0 unpcklpd xmm2, xmm0 movapd xmm0, xmm1 # extra copy to put the result in the right register addsubpd xmm0, xmm2 ret 而不是movhlps)仍然只使用一个寄存器副本:

unpckhpd

对于带有# clang5.0 movapd xmm2, xmm1 # clangs comments go in least-significant-element first order, unlike my comments in the source which follow Intel's convention in docs / diagrams / set_pd() args order unpcklpd xmm2, xmm0 # xmm2 = xmm2[0],xmm0[0] movhlps xmm0, xmm1 # xmm0 = xmm1[1],xmm0[1] addsubpd xmm0, xmm2 ret 向量的AVX版本,__m256d的路径内行为实际上是您想要的,一次,以获取偶数/奇数元素。

_mm256_unpacklo/hi_pd

当然,如果您有两次相同的输入,即您想要矢量的两个元素之间的总和,您只需要一次随机播放static inline __m256d haddsub256_pd(__m256d b, __m256d a) { __m256d lows = _mm256_unpacklo_pd(a,b); // [b2, a2 | b0, a0] __m256d highs = _mm256_unpackhi_pd(a,b); // [b3, a3 | b1, a1] return _mm256_addsub_pd(highs, lows); // [b3+b2, a3-a2 | b1+b0, a1-a0] } # clang and gcc both have an easy time avoiding wasted mov instructions vunpcklpd ymm2, ymm1, ymm0 # ymm2 = ymm1[0],ymm0[0],ymm1[2],ymm0[2] vunpckhpd ymm0, ymm1, ymm0 # ymm0 = ymm1[1],ymm0[1],ymm1[3],ymm0[3] vaddsubpd ymm0, ymm0, ymm2

addsubpd

这实际上非常笨拙地编写了gcc和clang:

// returns [a1+a0  a1-a0]
static inline
__m128d sumdiff(__m128d a) {
    __m128d swapped = _mm_shuffle_pd(a,a, 0b01);
    return _mm_addsub_pd(swapped, a);
}

但是第二个movapd应该在内联时消失,如果编译器不需要在它开始的同一个寄存器中的结果。我认为gcc和clang都缺少优化:他们可以在复制之后交换 movapd xmm1, xmm0 shufpd xmm1, xmm0, 1 addsubpd xmm1, xmm0 movapd xmm0, xmm1 ret

xmm0

据推测,他们基于SSA的寄存器分配器不会考虑使用第二个寄存器来获得 # compilers should do this, but don't movapd xmm1, xmm0 # a = xmm1 now shufpd xmm0, xmm0, 1 # swapped = xmm0 addsubpd xmm0, xmm1 # swapped +- a ret 的相同值来释放a的xmm0。通常,在不同的寄存器中生成结果很好(甚至更好),因此在内联时很少出现问题,只有在查看函数的独立版本时

答案 1 :(得分:2)

怎么样:

__m128d a, b; //your inputs

const __m128d signflip_low_element = 
         _mm_castsi128_pd(_mm_set_epi64(0,0x8000000000000000));
b = _mm_xor_pd(b, signflip_low_element);  // negate b[0]
__m128d res = _mm_hadd_pd(a,b);

根据haddpd构建haddsubpd,因此它只有一条额外的指令。遗憾的是haddpd速度不是很快,大多数CPU的吞吐量为每2个时钟周期一个,受FP shuffle吞吐量的限制。

但这种方式适用于代码大小(x86机器代码)。