AVX2 中的 _mm_alignr_epi8 (PALIGNR) 等效项

Question

在 SSE3 中，PALIGNR 指令执行以下操作：

PALIGNR 将目标操作数（第一个操作数）和源操作数（第二个操作数）连接成一个中间组合，以字节粒度将组合右移一个常量立即数，并将右对齐结果提取到目的地。

我目前正在移植我的 SSE4 代码以使用 AVX2 指令并使用 256 位寄存器而不是 128 位。 天真地，我相信内在函数 _mm256_alignr_epi8 (VPALIGNR) 仅在 256 位寄存器上执行与 _mm_alignr_epi8 相同的操作。然而遗憾的是，事实并非如此。事实上，_mm256_alignr_epi8将256bit寄存器视为2个128bit寄存器，并对相邻的两个128bit寄存器执行2次“对齐”操作。有效地执行与 _mm_alignr_epi8 相同的操作，但同时在 2 个寄存器上执行。这里最清楚地说明了： _mm256_alignr_epi8

目前我的解决方案是通过拆分继续使用 _mm_alignr_epi8 ymm（256位）寄存器写入两个xmm（128位）寄存器（高位和低位），如下所示：

__m128i xmm_ymm1_hi = _mm256_extractf128_si256(ymm1, 0);
__m128i xmm_ymm1_lo = _mm256_extractf128_si256(ymm1, 1);
__m128i xmm_ymm2_hi = _mm256_extractf128_si256(ymm2, 0);
__m128i xmm_ymm_aligned_lo = _mm_alignr_epi8(xmm_ymm1_lo, xmm_ymm1_hi, 1);
__m128i xmm_ymm_aligned_hi = _mm_alignr_epi8(xmm_ymm2_hi, xmm_ymm1_lo, 1);
__m256i xmm_ymm_aligned = _mm256_set_m128i(xmm_ymm_aligned_lo, xmm_ymm_aligned_hi);

这可行，但必须有更好的方法，对吧？ 是否有可能更“通用”的 AVX2 指令应该用来获得相同的结果？

Answer 1

您使用 palignr 做什么？如果只是为了处理数据错位，只需使用错位加载即可；它们在现代 Intel µ 架构上通常“足够快”（并且会节省大量代码大小）。

如果出于其他原因需要类似 palignr 的行为，您可以简单地利用未对齐加载支持以无分支的方式完成此操作。除非您完全受加载存储限制，否则这可能是首选的习惯用法。

static inline __m256i _mm256_alignr_epi8(const __m256i v0, const __m256i v1, const int n)
{
    // Do whatever your compiler needs to make this buffer 64-byte aligned.
    // You want to avoid the possibility of a page-boundary crossing load.
    char buffer[64];

    // Two aligned stores to fill the buffer.
    _mm256_store_si256((__m256i *)&buffer[0], v0);
    _mm256_store_si256((__m256i *)&buffer[32], v1);

    // Misaligned load to get the data we want.
    return _mm256_loadu_si256((__m256i *)&buffer[n]);
}

如果您可以提供有关您如何使用 palignr 的更多信息，我可能会提供更多帮助。

Answer 2

我们需要 2 条指令：“vperm2i128”和“vpalignr”来将“palignr”扩展为 256 位。

请参阅：https://software.intel .com/en-us/blogs/2015/01/13/programming-using-avx2-permutations

Answer 3

我能想到的唯一解决方案是：

static inline __m256i _mm256_alignr_epi8(const __m256i v0, const __m256i v1, const int n)
{
  if (n < 16)
  {
    __m128i v0h = _mm256_extractf128_si256(v0, 0);
    __m128i v0l = _mm256_extractf128_si256(v0, 1);
    __m128i v1h = _mm256_extractf128_si256(v1, 0);
    __m128i vouth = _mm_alignr_epi8(v0l, v0h, n);
    __m128i voutl = _mm_alignr_epi8(v1h, v0l, n);
    __m256i vout = _mm256_set_m128i(voutl, vouth);
    return vout;
  }
  else
  {
    __m128i v0h = _mm256_extractf128_si256(v0, 1);
    __m128i v0l = _mm256_extractf128_si256(v1, 0);
    __m128i v1h = _mm256_extractf128_si256(v1, 1);
    __m128i vouth = _mm_alignr_epi8(v0l, v0h, n - 16);
    __m128i voutl = _mm_alignr_epi8(v1h, v0l, n - 16);
    __m256i vout = _mm256_set_m128i(voutl, vouth);
    return vout;
  }
}

我认为这与您的解决方案几乎相同，除了它还处理 >= 16 字节的移位。