Как добавить вектор AVX2 по горизонтали 3 на 3?
У меня есть __m256i
вектор, содержащий 16x16-битные элементы. Я хочу применить к нему три соседних горизонтальных сложения. В скалярном режиме я использую следующий код:
unsigned short int temp[16];
__m256i sum_v;//has some values. 16 elements of 16-bit vector. | 0 | x15 | x14 | x13 | ... | x3 | x2 | x1 |
_mm256_store_si256((__m256i *)&temp[0], sum_v);
output1 = (temp[0] + temp[1] + temp[2]);
output2 = (temp[3] + temp[4] + temp[5]);
output3 = (temp[6] + temp[7] + temp[8]);
output4 = (temp[9] + temp[10] + temp[11]);
output5 = (temp[12] + temp[13] + temp[14]);
// Dont want the 15th element
Поскольку эта часть размещена в разделе узких мест моей программы, я решил векторизовать с помощью AVX2. Мечтательно я могу добавить их как следующее псевдо:
sum_v //| 0 | x15 | x14 | x13 |...| x10 |...| x7 |...| x4 |...| x1 |
sum_v1 = sum_v >> 1*16 //| 0 | 0 | x15 | x14 |...| x11 |...| x8 |...| x5 |...| x2 |
sum_v2 = sumv >> 2*16 //| 0 | 0 | 0 | x15 |...| x12 |...| x9 |...| x6 |...| x3 |
result_vec = add_epi16 (sum_v,sum_v1,sum_v2)
//then I should extact the result_vec to outputs
Добавление их по вертикали даст ответ. Но, к сожалению, AVX2 не имеет операции сдвига для 256 бит, в то время как 256-битный регистр рассматривается как две 128-битные полосы. Я должен использовать перестановку для этого случая. Но я не смог найти подходящего permut
, shuffle
и т.д., чтобы сделать это. Есть ли какие-либо предложения для этой реализации, которые должны быть максимально быстрыми.
С помощью gcc
, linux mint
, intrinsics
, skylake
,
3 ответа
Вы можете сделать это с двумя добавлениями и только двумя "шаффлами": _mm256_bsrli_epi128 сдвигает нули в позициях, которые не представляют интереса для ответа. Для _mm256_permutevar8x32_epi32 мы выбираем перестановку, которая дублирует старшие 32 бита, но эти биты также не имеют отношения к ответу.
#include <stdio.h>
#include <x86intrin.h>
/* gcc -O3 -Wall -m64 -march=haswell hor_sum3x3.c */
int print_vec_short(__m256i x);
int print_12_9_6_3_0_short(__m256i x);
int main() {
short x[16];
for(int i=0; i<16; i++) x[i] = i+1; x[15] = 0;
__m256i t0 = _mm256_loadu_si256((__m256i*)x);
__m256i t1 = _mm256_bsrli_epi128(t0,2); /* Shift 128 bit lanes in t0 right by 2 bytes while shifting in zeros. Fortunately the zeros are in the positions that we don't need */
__m256i t2 = _mm256_permutevar8x32_epi32(t0,_mm256_set_epi32(7,7,6,5,4,3,2,1)); /* Shift right by 4 bytes */
__m256i sum = _mm256_add_epi16(_mm256_add_epi16(t0,t1),t2);
printf("t0 = ");print_vec_short(t0);
printf("t1 = ");print_vec_short(t1);
printf("t2 = ");print_vec_short(t2);
printf("sum = ");print_vec_short(sum);
printf("\nvector elements of interest: columns 12, 9, 6, 3, 0:\n");
printf("t0[12, 9, 6, 3, 0] = ");print_12_9_6_3_0_short(t0);
printf("t1[12, 9, 6, 3, 0] = ");print_12_9_6_3_0_short(t1);
printf("t2[12, 9, 6, 3, 0] = ");print_12_9_6_3_0_short(t2);
printf("sum[12, 9, 6, 3, 0] = ");print_12_9_6_3_0_short(sum);
return 0;
}
int print_vec_short(__m256i x){
short int v[16];
_mm256_storeu_si256((__m256i *)v,x);
printf("%4hi %4hi %4hi %4hi | %4hi %4hi %4hi %4hi | %4hi %4hi %4hi %4hi | %4hi %4hi %4hi %4hi \n",
v[15],v[14],v[13],v[12],v[11],v[10],v[9],v[8],v[7],v[6],v[5],v[4],v[3],v[2],v[1],v[0]);
return 0;
}
int print_12_9_6_3_0_short(__m256i x){
short int v[16];
_mm256_storeu_si256((__m256i *)v,x);
printf("%4hi %4hi %4hi %4hi %4hi \n",v[12],v[9],v[6],v[3],v[0]);
return 0;
}
Выход:
$ ./a.out
t0 = 0 15 14 13 | 12 11 10 9 | 8 7 6 5 | 4 3 2 1
t1 = 0 0 15 14 | 13 12 11 10 | 0 8 7 6 | 5 4 3 2
t2 = 0 15 0 15 | 14 13 12 11 | 10 9 8 7 | 6 5 4 3
sum = 0 30 29 42 | 39 36 33 30 | 18 24 21 18 | 15 12 9 6
vector elements of interest: columns 12, 9, 6, 3, 0:
t0[12, 9, 6, 3, 0] = 13 10 7 4 1
t1[12, 9, 6, 3, 0] = 14 11 8 5 2
t2[12, 9, 6, 3, 0] = 15 12 9 6 3
sum[12, 9, 6, 3, 0] = 42 33 24 15 6
Вы можете попробовать использовать что-то вроде этого:
#include <immintrin.h>
#include <iostream>
template<class T> inline void Print(const __m256i & v)
{
T b[sizeof(v) / sizeof(T)];
_mm256_storeu_si256((__m256i*)b, v);
for (int i = 0; i < sizeof(v) / sizeof(T); i++)
std::cout << int(b[i]) << " ";
std::cout << std::endl;
}
template<int shift> inline __m256i Shift(const __m256i & a)
{
return _mm256_alignr_epi8(_mm256_permute2x128_si256(a, _mm256_setzero_si256(), 0x31), a, shift * 2);
}
int main()
{
__m256i v0 = _mm256_setr_epi16(1,2,3,4,5,6,7,8,9,10,11,12,13,14,15, 0);
__m256i v1 = Shift<1>(v0);
__m256i v2 = Shift<2>(v0);
__m256i r = _mm256_add_epi16(v0, _mm256_add_epi16(v1, v2));
Print<short>(v0);
Print<short>(v1);
Print<short>(v2);
Print<short>(r);
}
Выход:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0
2 3 4 5 6 7 8 9 10 11 12 13 14 15 0 0
3 4 5 6 7 8 9 10 11 12 13 14 15 0 0 0
6 9 12 15 18 21 24 27 30 33 36 39 42 29 15 0
Вы можете попробовать что-то вроде этого
__m256i idx1 = _mm256_setr_epi8(2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 0, 1);
__m256i idx2 = _mm256_setr_epi32(1,2,3,4,5,6,7,0);
__m256i t1 = _mm256_shuffle_epi8 (t0, idx1);
__m256i t2 = _mm256_permute2x128_si256(t1, t1, 1);
__m256i t3 = _mm256_blend_epi16(t1,t2,0x80);
__m256i t4 = _mm256_permutevar8x32_epi32(t0, idx2);
__m256i s = _mm256_add_epi16(t0, _mm256_add_epi16(t3,t4));
Я основал этот пример на этом вопросе.
Вот рабочий пример
#include <stdio.h>
#include <x86intrin.h>
int main(void) {
short x[16];
for(int i=0; i<16; i++) x[i] = i;
__m256i idx1 = _mm256_setr_epi8(2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 0, 1,
2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 0, 1);
__m256i idx2 = _mm256_setr_epi32(1,2,3,4,5,6,7,0);
__m256i t0 = _mm256_loadu_si256((__m256i*)x);
__m256i t1 = _mm256_shuffle_epi8 (t0, idx1);
__m256i t2 = _mm256_permute2x128_si256(t1, t1, 1);
__m256i t3 = _mm256_blend_epi16(t1,t2,0x80);
__m256i t4 = _mm256_permutevar8x32_epi32(t0, idx2);
__m256i s = _mm256_add_epi16(t0, _mm256_add_epi16(t3,t4));
short y[16];
_mm256_storeu_si256((__m256i*)y, t0);
for(int i=0; i<16; i++) printf("%2x ", y[i]); puts("");
_mm256_storeu_si256((__m256i*)y, t3);
for(int i=0; i<16; i++) printf("%2x ", y[i]); puts("");
_mm256_storeu_si256((__m256i*)y, t4);
for(int i=0; i<16; i++) printf("%2x ", y[i]); puts("");
_mm256_storeu_si256((__m256i*)y, s);
for(int i=0; i<16; i++) printf("%2x ", y[i]); puts("");
}
Выход
0 1 2 3 4 5 6 7 8 9 a b c d e f
1 2 3 4 5 6 7 8 9 a b c d e f 0
2 3 4 5 6 7 8 9 a b c d e f 0 1
3 6 9 c f 12 15 18 1b 1e 21 24 27 2a 1d 10