X86 使用AVX2计算8个长整数的最小值

我试图使用

AVX2

找到8

长整数的最小值。我是
SIMD
编程的新手，不知道从哪里开始。我没有看到任何帖子/示例解释如何在
AVX2
中执行
min
和
max
。我知道由于
256位
限制，我不能超过4个
长整数
，但我可以通过三个步骤解决我的问题。此外，我也不知道如何将已经存在的正常
长整数数组的数据加载到
向量
中，以便
avx2

我知道这个过程背后的想法，这就是我想要实现的

long int nums = {1 , 2, 3 , 4 , 5 , 6 , 7, 8}
a = min(1,2) ; b = min(3,4) ; c = min(5,6) ; d = min(7,8)
x = min(a,b) ; y = min(c,d)
answer  = min(x,y)

有人能帮我解决这个问题吗。最后一次
min
也是一次操作，在
CPU上执行是否更好？我是否应该使用除AVX2以外的其他软件？（我使用的是
x86
系统）
有关x86优化等内容，请参阅上的链接。特别是英特尔的《本质论指南》和Agner Fog的东西

如果您总是正好有8个元素（64字节），这就简化了很多事情。向量化小东西时的一个主要挑战是，不要在处理未填充整个向量的剩余元素时添加太多启动/清理开销

AVX2没有压缩64位整数的最小/最大指令。只有8、16和32岁。这意味着您需要使用生成掩码的比较来模拟它（条件为false的元素为all-0s，条件为true的元素为all-1s，因此您可以使用此掩码将其他向量中的元素归零。）为了节省实际执行AND/ANDN和OR操作以将内容与掩码相结合的时间，有混合指令

AVX-512将为该操作带来巨大的加速。（支持进入（仅限xeon）Skylake）。它有一个
\u mm\u min\u epi64
。此操作还有一个库函数：
\uuuuu int64\umm512\ureduce\umin\uepi64（\uuuum512i a）
。我假设这个内在函数将发出一系列
vpminsq
指令。英特尔在其内部查找器中列出了它，但它只是一个英特尔库函数，而不是一条机器指令

这里有一个AVX2实现应该可以工作。我还没有测试它，但是编译后的输出看起来像是正确的指令序列。我可能在某个地方得到了一个相反的比较，所以检查一下

操作原理是：得到两个256b向量的元素最小值。将其拆分为两个128b向量，并得到该向量的元素最小值。然后将两个64b值的向量返回到GP寄存器，并执行最终的最小值。同时执行最大值，并与最小值交错

（哦，你在问题中提到了最小值/最大值，但现在我看到你实际上只是想要最小值。删除不需要的部分很简单，你可以将其更改为返回值，而不是通过指针/引用存储结果。标量版本可能更快；更好地在应用程序使用此操作的上下文中进行测试（不是一个独立的微基准）

#包括
#包括
int64_t输入[8]={1，2，3，}；
#定义最小值（a，b）\
（{uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu\
_a<\u b？\u a:\u b；}）
#定义最大值（a，b）\
（{{uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu\
___uuuu（b）b=（b）的类型\
_a>\u b？\u a:\u b；}）
//把它放在可以内联的地方。你不想把结果存储到内存中
//或者让编译器在每次使用结束时生成VZEROUPPER。
void minmax64（int64_t输入[8]，int64_t*minret，int64_t*maxret）
{
__m256i*in_vec=（u m256i*）输入；
__m256i v0=in_vec[0]，v1=in_vec[1]；//_mm256_loadu_si256是AVX的可选配置
__m256i gt=_mm256_cmpgt_epi64（v0，v1）；//0xff..用于v0>v1.0的元素
__m256i minv=_mm256_blendv_epi8（v0，v1，gt）；//从v1中获取字节，其中gt=0xff（即v0>v1）
__m256i maxv=_mm256_blendv_epi8（v1，v0，gt）；//输入顺序颠倒
/*对于8、16或32b：不需要cmp/混合
最小值=_mm256_min_epi32（v0，v1）；
maxv=_mm256_min_epi32（v0，v1）；//一个insn更短，但更快（特别是延迟）
以及在具有128b向量的阶段，保持最小和最大候选，
您可以洗牌并重复以获得低位64，也可以选择再次获得低位32，
在提取到GP regs以完成比较之前。
*/
__m128i min0=_mm256_castsi256_si128（minv）；//愚蠢的gcc 4.9.2将其编译为vmovdqa
__m128i min1=_mm256_extracti128_si256（minv，1）；//extracti128（x，0）应该优化为零。
__m128i最大值=_mm256_castsi256_si128（最大值）；
__m128i max1=_mm256_extracti128_si256（maxv，1）；
__m128i gtmin=_mm_cmpgt_epi64（min0，min1）；
__m128i gtmax=_mm_cmpgt_epi64（max0，max1）；
min0=_mm_blendv_epi8（min0，min1，gtmin）；
max0=_mm_blendv_epi8（max1，max0，gtmax）；
int64_t tmp0=_mm_cvtsi128_si64（min0）；//tmp0=max0.m128i_i64[0]；//仅限MSVC
int64_t tmp1=_mm_extract_epi64（min0，1）；
*minret=min（tmp0，tmp1）；//编译为64位GP寄存器的快速cmp/cmovg
tmp0=_mm_cvtsi128_si64（最大值为0）；
tmp1=mm_extract_epi64（max0，1）；
*maxret=min（tmp0，tmp1）；
}

这可能比在GP寄存器中完成整个过程要快，也可能不快，因为64位加载是一个uop，
cmp
是一个uop，
cmovcc
只有2个uop（在英特尔上）.Haswell可以为每个周期发出4个UOP。在到达比较树的底部之前，还有许多独立的工作要做，即使如此，cmp是1个周期延迟，cmov是2。如果您同时将工作交错为最小值和最大值，则有两个独立的依赖链（本例中为树）

vector版本的延迟比吞吐量高得多。如果您需要对多个独立的8个值集执行此操作，vector版本可能会做得很好。否则，5个周期的延迟