将 XMM 寄存器设置为重复字节模式（广播常量字节）

Posted 2023-02-16

【中文标题】将 XMM 寄存器设置为重复字节模式（广播常量字节）

【英文标题】：Set an XMM register to a repeating byte pattern (broadcast a constant byte)

【发布时间】：2020-03-29 20:52:21

【问题描述】：

我知道我们可以做这样的事情来将一个字符移动到一个 xmm 寄存器：

movaps xmm1, xword [.__0x20]

align 16
.__0x20 db 0x20,0x20,0x20,0x20,0x20,0x20,0x20,0x20,0x20,0x20,0x20,0x20,0x20,0x20,0x20,0x20

但由于这是一个记忆过程，我想知道是否有更好的方法？ （另外，我在谈论 SSE2 而不是其他 SIMD 类型......）

我希望 xmm1 寄存器的每个字节都是 0x20 而不仅仅是一个字节..

（编者注：这可以称为广播或splat。 这就是 _mm_set1_epi8(0x20) 内在函数所做的。）

【问题讨论】：

当所需字节为常量时，您正在做的是最快的方法。

我只是在寻找一种更好的方法（如果有的话）一些即时或（来自注册）的方法！

你的字节是常量还是变量？如果是常数，那么你做的已经是最快的方式了。

它是一个常量字节

在这种情况下，您的代码已经很理想了。根据您使用的汇编程序，可能会有某种times 或dup 指令使其更易于键入。如果这让您烦恼，您也可以定义一个宏。

【参考方案1】：

仅使用 SSE2，从内存中加载完整模式通常是您的最佳选择。

在您的 NASM 源代码中，您可以使用 times 16 db 0x20 以便于维护。

---

使用 SSE3，您可以使用 movddup 进行 8 字节广播加载。使用 AVX，您可以使用 vbroadcastss 进行 4 字节广播加载。 这些广播负载在现代 CPU 上非常好，仅在负载端口上运行，不需要 shuffle uop。 即它们与movaps 一样便宜支持它们的 CPU，除了一个或两个更多的代码大小。 vbroadcastf128 与 YMM 寄存器相同。

大多数编译器似乎没有意识到这一点，并且会通过 _mm_set1 进行常量传播，即使这会导致 32 字节常量而不是 4 字节，即使只是 mov... 在循环之前加载它，而不是将其折叠到 ALU 指令的内存操作数中。 （当 AVX512 可用时，广播加载仍然可以做到这一点。）Clang 有时会利用广播加载来获取简单的常量。

AVX2 增加了vpbroadcastb/w/d/q，但只有 dword 和 qword 是纯加载微指令。字节和字广播加载需要 ALU shuffle uop，因此对于恒定字节模式，您可能只想广播加载一个重复字节 4 次的 dword。 （除非它是来自大型查找表的元素，然后使用字节或字广播负载或pmovsx 符号扩展负载或其他方式压缩表。

AVX512 添加了vpbroadcastb/w/d/e from an integer register，所以如果你有AVX512VL，你可以mov eax, 0x20202020 / vpbroadcastd xmm0, eax。

---

使用 SSE2 至少需要 2 条指令，包括 ALU shuffle，像这样，可能不值得。

    movd    xmm0, [const_4B]
    pshufd  xmm0, xmm0, 0

---

一些重复的常数可以在几个指令中动态生成，从pcmpeqd xmm0,xmm0 开始。请参阅 What are the best instruction sequences to generate vector constants on the fly? 和 Agner Fog 的指南。

这种模式确实不看起来很容易生成。它是一种字节模式（不是 word、dword 或 qword），并且 SSE 移位最多只能在 word 粒度下使用。但是，如果我们知道跨字节边界移动的位为 0，那就没问题了。例如

   pcmpeqd  xmm0, xmm0     ; set1( -1 )
   pabsb    xmm0, xmm0     ; set1_epi8(1)    SSSE3
   pslld    xmm0, 5        ; set1_epi8(1<<5)

; or with only SSE2, something even less efficient like shift / packsswb / shift

除非您真的想避免常量缓存未命中的可能性，否则这不太值得。平均而言，负载通常会提前。

【讨论】：

你知道这个问题对于 GP 64 位寄存器的任何答案吗？

@Noah：对于一个常数，通常只是 mov rdi, 0x0101010101010101 或其他。对于非常数，imul rcx, rdi 具有 0x01 重复常量，在将字节零扩展为 RCX 之后。因此，乘数 movzx ecx, byte source 和 imul r64,r64 的最坏情况成本为 mov reg,imm64。

啊，比轮班方法聪明多了！

@Noah：是的，可以“滥用”快速硬件乘法器来做许多巧妙的事情，包括将足够小的元素加到高字节中。 (How to count the number of set bits in a 32-bit integer?)。乘法是移位和加法运算，加法或不受其他值的位控制。 @phuclv 也在 How to create a byte out of 8 bool values (and vice versa)?

中很好地解释了机制