ARM 机器上的 mm_shuffle_epi8 等效项

Posted 2023-02-16

【中文标题】ARM 机器上的 mm_shuffle_epi8 等效项

【英文标题】：mm_shuffle_epi8 equivalent on ARM machines

【发布时间】：2021-11-29 10:52:57

【问题描述】：

在一个专注于加速 ARM 性能的项目中， 我正在使用下面页面 https://github.com/f4exb/cm256cc/blob/master/sse2neon.h#L981 中的 mm_shuffle_epi8 实现。

但上述实现不是最优的，会导致性能成本。

ARM 的 _mm_shuffle_epi8 是否有正确的等价物？

【问题讨论】：

我的建议是，如果您需要这种性能，您可能应该对整个功能进行特定于 Arm 的实现。这样就可以更改算法以更好地适应 Arm 指令集。

@Johan 我认为 OP 正在执行特定于 ARM 的实现，并且正在寻找线索。我自己学习了AVX2 和NEON2SSE。

您可能对 [SIMD Everywhere(github.com/simd-everywhere/simde) 感兴趣。除了实现之外，wiki 和文档还链接到其他实现。

【参考方案1】：

vtbl2（可能还有vtbx2）正是您要找的。​​p>

但请注意，这些指令有很长的延迟，尤其是在 Cortex-a57 和 Cortex-a72 上。（aarch64 模式）它甚至没有在 A-57 上流水线。

我自己不惜一切代价避免使用它们：太贵了。

NEON 具有优于 AVX 的置换指令。也许你可以找到解决方法。

PS：SSE2NEON.... IMO 根本不是一个好主意。而且您提供的链接的方式非常糟糕。

【讨论】：

谢谢。找到了与 SSE 上的 shuffle 等效的内在 vqtbl1q_u8

【参考方案2】：

等价物应该是这样的

uint8x16_t shuffle_epi8(uint8x16_t table, uint8x16_t index) 
   int8x16_t mask = vshrq_n_s8(vreinterpretq_s8_u8(index), 7);
   index = vandq_u8(index, vdupq_n_u8(15));
   index = vqtbl1q_u8(table, index);
   return vbicq_u8(index, vreinterpretq_u8_s8(mask));

在 armv7 上，需要模拟 16 位宽的表

inline uint8x16_t vqtbl1q_u8(uint8x16_t table, uint8x16_t idx) 
    uint8x8x2_t table2vget_low_u8(table), vget_high_u8(table);
    uint8x8_t lo = vtbl2_u8(table2, vget_low_u8(idx));
    uint8x8_t hi = vtbl2_u8(table2, vget_high_u8(idx));
    return vcombine_u8(lo, hi);

【讨论】：

你看到cortex-a8标签了吗？ :-)

如果已知索引向量在 0..15 以内，那么只使用 vqtbl1q_u8 函数就足够了。

您应该进行 msb 检查以使其 100% 兼容。是的，这很糟糕，这就是为什么我说 SSE2NEON 不是一个好主意。

MSB 检查从一开始就存在于shuffle_epi8 中。我正在使用vcltq_u8(index, 0x80);，它转换为与立即数的有符号比较。它不需要添加到 vqtbl1q_u8，因为这只是 armv7 的 arm64 仿真。

你不需要vclt。你只需要在 7 之前签名 vshr，然后 vbic