我正在学习如何使用SIMD内在函数和自动向量化。幸运的是,我有一个正在从事的有用项目,对于SIMD来说,它似乎极为适合,但对于像我这样的新手来说仍然很棘手。
我正在为图像写一个滤镜,该滤镜计算2x2像素的平均值。我正在通过将两个像素的总和累加为一个像素来进行计算。
template <typename T, typename U>
inline void accumulate_2x2_x_pass(
T* channel, U* accum,
const size_t sx, const size_t sy,
const size_t osx, const size_t osy,
const size_t yoff, const size_t oyoff
) {
const bool odd_x = (sx & 0x01);
size_t i_idx, o_idx;
// Should be vectorizable somehow...
for (size_t x = 0, ox = 0; x < sx - (size_t)odd_x; x += 2, ox++) {
i_idx = x + yoff;
o_idx = ox + oyoff;
accum[o_idx] += channel[i_idx];
accum[o_idx] += channel[i_idx + 1];
}
if (odd_x) {
// << 1 bc we need to multiply by two on the edge
// to avoid darkening during render
accum[(osx - 1) + oyoff] += (U)(channel[(sx - 1) + yoff]) * 2;
}
}
但是,godbolt显示我的循环无法自动矢量化。 (https://godbolt.org/z/qZxvof)我将如何构造SIMD内部函数来解决此问题?我可以控制累加的对齐方式,但不能控制通道。
(我知道这里有一个平均内在函数,但是这里不合适,因为我需要生成多个mip级别,并且该命令会导致下一级别的精度下降。)
谢谢大家。 :)
答案 0 :(得分:3)
缩小类型为T
= uint8_t
或uint16_t
的情况下,最好用SSSE3 pmaddubsw
或SSE2 {{1 }}乘以pmaddwd
。 (Intrinsics guide)这些指令是单码执行的,并且精确地进行水平加宽比混洗更有效。
如果可以的话,又不会失去精度,请先在行 之间进行垂直加法,然后再扩大水平加法。 (例如1
中的10、12或14位像素分量不能溢出)。在大多数CPU上,负载和垂直添加的时钟速率至少为2,而[u]int16_t
的时钟速率仅为1,而Skylake及更高版本的时钟速率仅为2。 这意味着您只需要添加1x + 1x pmadd与2x pmadd + 1x即可,因此即使在Skylake上也是一个巨大的胜利。(对于第二种方式,两个负载都可以折叠成pmadd的内存操作数,对于pmadd之前的添加,首先需要纯负载,然后将第二个负载折叠到add中,因此除非您使用索引寻址模式并且它们取消分层,否则您可能不会保存前端uops。 )
理想情况下,您不需要pmadd*
到累加器数组中,而是可以并行读取2行并且累加器是只写的,因此您的循环只有2个输入流和1个输出流。
+=
这些端口直接连接到256位AVX2,因为输入和输出宽度相同。无需重新整理即可固定车道内包装。
是的,他们都是// SSSE3
__m128i hadd_widen8_to_16(__m128i a) {
// uint8_t, int8_t (doesn't matter when multiplier is +1)
return _mm_maddubs_epi16(a, _mm_set_epi8(1));
}
// SSE2
__m128i hadd_widen16_to_32(__m128i a) {
// int16_t, int16_t
return _mm_madd_epi16(a, _mm_set_epi16(1));
}
。英特尔可能与内在名称完全不一致。 asm助记符更一致,更容易记住什么。 ({_epi16
=无符号字节到带符号的字,除了输入之一是有符号字节。ubsw
打包乘以将双字添加到dword,与pmaddwd
相同的命名方案,等等。)>
带有punpcklwd
或uint16_t
的T = U案例是SSSE3 uint32_t
或_mm_hadd_epi16
的用例。它的成本与2个混洗+垂直添加的成本相同,但是无论如何您都需要将2个输入压缩到1个。
如果您想解决Haswell及更高版本上的shuffle-port瓶颈问题,可以考虑在输入上使用qword shift,然后用_mm_hadd_epi32
(shufps
+一些强制转换)将结果混排在一起。这可能是在Skylake上的一个胜利(每个时钟移位吞吐量有2个),即使它花费了5而不是3的总uops。它可以在每个输出向量上最好以5/3周期运行,而不是每个向量2个周期。没有前端瓶颈
_mm_shuffle_ps
对于AVX2版本,您需要通过交叉改组来修正// UNTESTED
//Only any good with AVX, otherwise the extra movdqa instructions kill this
//Only worth considering for Skylake, not Haswell (1/c shifts) or Sandybridge (2/c shuffle)
__m128i hadd32_emulated(__m128i a, __m128i b) {
__m128i a_shift = _mm_srli_epi64(a, 32);
__m128i b_shift = _mm_srli_epi64(b, 32);
a = _mm_add_epi32(a, a_shift);
b = _mm_add_epi32(b, b_shift);
__m128 combined = _mm_shuffle_ps(_mm_castsi128_ps(a), _mm_castsi128_ps(b), _MM_SHUFFLE(2,0,2,0));
return _mm_castps_si128(combined);
}
结果。因此,在轮班中效仿哈德可能是一个更大的胜利。
vphadd
在Haswell和Skylake上,// 3x shuffle 1x add uops
__m256i hadd32_avx2(__m256i a, __m256i b) {
__m256i hadd = _mm256_hadd_epi32(a, b); // 2x in-lane hadd
return _mm256_permutex_epi64( hadd, _MM_SHUFFLE(3,1,2,0) );
}
// UNTESTED
// 2x shift, 2x add, 1x blend-immediate (any ALU port), 1x shuffle
__m256i hadd32_emulated_avx2(__m256i a, __m256i b)
{
__m256i a_shift = _mm256_srli_epi64(a, 32); // useful result in the low half of each qword
__m256i b_shift = _mm256_slli_epi64(b, 32); // ... high half of each qword
a = _mm256_add_epi32(a, a_shift);
b = _mm256_add_epi32(b, b_shift);
__m256i blended = _mm256_blend_epi32(a,b, 0b10101010); // alternating low/high results
return _mm256_permutexvar_epi32(_mm256_set_epi32(7,5,3,1, 6,4,2,0), blended);
}
可以每2个时钟运行1个(所有矢量ALU端口都饱和)。合计为hadd32_emulated_avx2
的额外add_epi32
会将其减慢到每个256位结果矢量最多7/3个周期,并且您需要展开(或使用展开的编译器)以不只是前端的瓶颈。
accum[]
可以每3个时钟运行1个(在端口5上出现瓶颈,以进行随机播放)。加载+存储+额外的hadd32_avx2
来实现循环的操作可以轻松地实现。
(https://agner.org/optimize/,请参阅https://stackoverflow.com/tags/x86/info)