X86 苏格兰和南方能源公司、AVX公司是否有遗漏？

这是我的想象，还是SSE和AVX缺少一条

PNOT

指令？也就是说，翻转向量中每一位的指令

---

如果是，有没有比矢量为1的px或px更好的模拟方法？非常烦人，因为我需要设置一个所有1的向量来使用这种方法。

如果使用intrinsic，可以使用这样的内联函数来分别执行not操作

inline uuum256i mm256 uui256（uuum256i a）{
//返回_mm256_xor_si256（a，_mm256_set1_epi32（0xffffffff））；
return _mm256_xor_si256（a，_mm256_cmpeq_epi32（a，a））；//我没有检查哪个更快
}

对于这种情况，了解编译器将生成什么内容会很有帮助

例如，对于以下功能：

#包括
__m256i测试（常数m256i v）
{
返回~v；
}

gcc和clang似乎都：

您可以使用操作码来实现这一点

PANDN

执行该操作

DEST = NOT(DEST) AND SRC   ; (SSEx)

或

将此操作与all ones向量有效地结合在一起将导致PNOT操作

---

某些x86（SSEx）汇编代码如下所示：

; XMM0 is input register
PCMPEQB   xmm1, xmm1        ; Whole xmm1 reg set to 1's
PANDN     xmm0, xmm1        ; xmm0 = NOT(xmm0) AND xmm1
; XMM0 contains NOT(XMM0)

; YMM0 is input register
VPCMPEQB  ymm1, ymm1, ymm1  ; Whole ymm1 reg set to 1's
VPANDN    ymm0, ymm0, ymm1  ; ymm0 = NOT(ymm0) AND ymm1
; YMM0 contains NOT(YMM0)

某些x86（AVXx）汇编代码如下所示：

; XMM0 is input register
PCMPEQB   xmm1, xmm1        ; Whole xmm1 reg set to 1's
PANDN     xmm0, xmm1        ; xmm0 = NOT(xmm0) AND xmm1
; XMM0 contains NOT(XMM0)

; YMM0 is input register
VPCMPEQB  ymm1, ymm1, ymm1  ; Whole ymm1 reg set to 1's
VPANDN    ymm0, ymm0, ymm1  ; ymm0 = NOT(ymm0) AND ymm1
; YMM0 contains NOT(YMM0)

当然，两者都可以很容易地转换为内部函数。

AVX512F/最终提供了一种实现方法，它使用一条指令，可以在Skylake-avx512上的任何向量ALU端口上运行

使用AVX512VL，也可用于128和256位向量，而不会弄脏ZMM的上部。（除Xeon Phi外，所有AVX512 CPU均具有AVX512VL）

在Skylake-X上，当在展开循环中仅运行此指令时，某些神秘的效果将吞吐量限制在~0.48/时钟，即使128和256位向量也是如此，即使有6到10个独立的依赖链，即使它可以在p015中的任何一个上运行。Ice Lake达到了预期的3/时钟吞吐量。（）

ZMM版本在任何地方运行2/时钟，端口1 SIMD ALU关闭 在SKX/ICL上，因为512位UOP正在运行

---

vpternlogd zmm、zmm、zmm、imm8

有3个输入向量和一个输出，修改了目标位置。有了正确的立即数，您仍然可以实现一个拷贝，而不是到另一个寄存器中，但是它将对输出寄存器有一个“false”依赖关系（这不会）

TL:DR：可能仍然将异或与所有的异或作为循环的一部分使用，除非寄存器用完了<如果以后需要输入，code>vpternlog可能需要额外的

vmovdqa

寄存器复制指令。

在循环之外，

vpternlogd zmm，zmm，zmm，0xff

是，因为AVX512将指令比较成掩码（

k0-k7

），所以对于512位向量，与所有指令的异或可能已经涉及

vpternlogd

，或者来自内存的广播常数。或用于128或256位

vpcmpeqd的dep中断ALU uop相同，相同


对于每个位位置
i
，输出位是
imm[（DEST[i]设置所有
1
s的向量并不特别困难：
[v]pcmpe[typesize][x/y]mmN、%[x/y]mmN[，%[x/y]mmN]
或其他。设置常数的单个指令似乎不太繁重。如果您特别讨厌
xor
，
pandn
和
以及NPS
也可以使用。这并不可怕-但它是我期望的基本操作的2倍长。当然，常数可以在e寄存器的费用。无论如何，只要检查一下我的假设，我没有遗漏它。@EOFI大体上同意。这对我来说很重要。我的吞吐量和端口限制在3个向量端口上。每个向量操作花费我1/3个周期（在合理范围内）。@EOF这里有一个
和NPD
（而不是）在SSE中。类似地：
PNEG
指令在哪里？谢谢Paul。这是一个很好的指示，我想没有更好的了。s/indication/indication/good编译器通常会优化
\u mm256\u set1\u epi32（-1）
到一个
vpcmpeqd相同，相同的
。我想对于AVX来说，如果它不正常的话，尝试“欺骗”它发出这种信号可能不会伤害编译器。（对于SSE，它可能需要额外的MOVDQA指令，但AVX 3操作数编码解决了这个问题。）我不同意“它没有PXOR那么好”第2部分ops/cycle是Skylake上AVX512命令的最大可能吞吐量，PADD b PAND组中只有少数命令达到此速度。2*512>3*256，因此在这些命令上，AVX512仍比其他命令快33%AVX2@Bulat：我不是这么说的。它不太好，因为它不能复制，而且对输出注册表没有错误的依赖关系呃，因此您的编译器可能会在
vmovdqa32
上浪费一些前端吞吐量。此外，128位和256位版本的AVX512VL指令通常是3/时钟，包括
vpternlogd ymm
。如果您只使用256位向量来避免整个程序中的某一小部分出现turbo惩罚，您仍然可以使用
vpternlogd ymm
。此外，FP-FMA/add/mul是2/clock on Gold，因此IDK您所说的“只有少数”指令以2/clock的速度运行512位向量。
vpternlogd  zmm1,zmm1, zmm2,  01010101b  ; 0x55  ; false dep on zmm1

// To hand-hold a compiler into saving a vmovdqa32 if needed:
__m512i tmp = something earlier;
__m512i t2 = _mm...(tmp);
// use-case: tmp is dead, t2 and ~t2 are both needed.
__m512i t2_inv = _mm512_ternarylogic_epi32(tmp, t2, t2, 0b01010101);

__m512i t2_inv = _mm512_ternarylogic_epi32(t2, t2, t2, 0b01010101);