AVX512中是否有类似_mm512_sign_epi16（__m512i a，__m512i b）的功能

Question

AVX512似乎不提供以下功能：

__m512i _mm512_sign_epi16 (__m512i a, __m512i b)

它将很快可用还是有替代选择？

Answer 1

如果不需要调零部分，则只需要2条指令（和调零寄存器）即可：

您可以_mm512_movepi16_mask()将符号位放入掩码（pmovmskb的AVX512版本）中，并进行从零开始的合并掩码减法，以基于另一个的符号取反向量。

#ifdef __AVX512BW__
// does *not* do anything special for signs[i] == 0, just negative / non-negative
__m512i  conditional_negate(__m512i target, __m512i signs) {
    __mmask32 negmask = _mm512_movepi16_mask(signs);
      // vpsubw target{k1}, 0, target
    __m512i neg = _mm512_mask_sub_epi16(target, negmask, _mm512_setzero_si512(), target);
    return neg;
}
#endif

vector->掩码在Skylake-X（具有vpmovw2m，vptestmw或vpcmpw上具有3个周期的延迟，但是使用该掩码仅具有1个周期的延迟。因此，从输入到输出的延迟为：

从signs-> SKX结果中
• 4个周期
• 从target开始1个周期->在SKX上得到结果（只是从零开始屏蔽的vpsubw。）

---

也要应用等零条件：您可以对向量执行的下一个操作零屏蔽或合并屏蔽，因此未使用的元素应为零

您需要进行额外的比较才能创建另一个蒙版，但是您可能不需要浪费第二条额外的说明来立即应用它。

如果您真的想以这种方式构建一个独立的vpsignw，我们可以做最后的零掩码，但这是4个内在函数，可编译为4条指令，并且吞吐量可能比@wim的min差。 / max /相乘。但这具有良好的关键路径延迟，在SKX上总共大约有5个周期（如果可以将最终的掩模折叠成其他东西，则为4个周期）。关键路径是迹象->遮罩，然后是遮罩子。符号-> nonzeromask可以与任何一个并行运行。

__m512i  mm512_psignw(__m512i target, __m512i signs) {
    __mmask32 negmask = _mm512_movepi16_mask(signs);
      // vpsubw target{negmask}, 0, target  merge masking to only modify elements that need negating
    __m512i neg = _mm512_mask_sub_epi16(target, negmask, _mm512_setzero_si512(), target);

    __mmask32 nonzeromask = _mm512_test_epi16_mask(signs,signs);  // per-element non-zero?
    return  _mm512_maskz_mov_epi16(nonzeromask, neg);        // zero elements where signs was zero
}

可能的是，编译器可以将vmovdqu16的零掩码{in1}折叠为add / or / xor的合并掩码，或将乘法\ {{ 1}}。但是，自己动手做可能是个好主意。

Answer 2

可能的解决方案是：

__m512i mm512_sign_epi16(__m512i a, __m512i b){
    /* Emulate _mm512_sign_epi16() with instructions  */
    /* that exist in the AVX-512 instruction set      */
    b = _mm512_min_epi16(b, _mm512_set1_epi16(1));     /* clamp b between -1 and 1 */
    b = _mm512_max_epi16(b, _mm512_set1_epi16(-1));    /* now b = -1, 0 or 1       */
    a = _mm512_mullo_epi16(a, b);                      /* apply the sign of b to a */
    return a;
}

此解决方案应具有合理的吞吐量，但由于整数乘法，延迟可能不是最佳的。 Peter Cordes' solution是一个很好的选择，它具有更好的延迟。 但是实际上，高吞吐量通常比低延迟更受关注。

无论如何，不​​同替代方案（此处的解决方案，彼得·科德斯的答案以及chtz' comment中的拆分思路）的实际性能取决于周围的代码和执行指令的CPU类型。您必须对其他选择进行基准测试，以查看在您的特定情况下哪种选择最快。