256位AVX矢量中32位浮点的水平和

Horizontal sum of 32-bit floats in 256-bit AVX vector

本文关键字：水平 32位 AVX 256位      更新时间：2023-10-16

我有两个浮点数组，我想使用SSE和AVX以尽可能低的延迟计算点积。我知道浮点运算有一个256位的点积，但我读过SO，这比下面的技术慢：(https://stackoverflow.com/a/4121295/997112)。

我已经完成了大部分工作，向量temp_sums包含所有的和，我只需要在最后对temp_sum中包含的所有八个32位和求和。

#include "xmmintrin.h"
#include "immintrin.h"
int main(){
    const int num_elements_in_array = 16;
    __declspec(align(32)) float x[num_elements_in_array];
    __declspec(align(32)) float y[num_elements_in_array];
    x[0] = 2;   x[1] = 2;   x[2] = 2;   x[3] = 2;
    x[4] = 2;   x[5] = 2;   x[6] = 2;   x[7] = 2;
    x[8] = 2;   x[9] = 2;   x[10] = 2;  x[11] = 2;
    x[12] = 2;  x[13] = 2;  x[14] = 2;  x[15] = 2;
    y[0] = 3;   y[1] = 3;   y[2] = 3;   y[3] = 3;
    y[4] = 3;   y[5] = 3;   y[6] = 3;   y[7] = 3;
    y[8] = 3;   y[9] = 3;   y[10] = 3;  y[11] = 3;
    y[12] = 3;  y[13] = 3;  y[14] = 3;  y[15] = 3;
    __m256 a;
    __m256 b;
    __m256 temp_products;   
    __m256 temp_sum = _mm256_setzero_ps();
    unsigned short j = 0;
    const int sse_data_size = 32;
    int num_values_to_process = sse_data_size/sizeof(float);
    while(j < num_elements_in_array){
        a = _mm256_load_ps(x+j);
        b = _mm256_load_ps(y+j);
        temp_products = _mm256_mul_ps(b, a);
        temp_sum = _mm256_add_ps(temp_sum, temp_products);
        j = j + num_values_to_process;
    }
    //Need to "process" temp_sum as a final value here
}

我担心我需要的256位内部函数在AVX1之前不可用。

我建议尽可能使用128位AVX指令。它将减少一次跨域混洗的延迟（在Intel Sandy/Ivy Bridge上为2个周期），并提高在128位执行单元（目前为AMD Bulldozer、Piledriver、Steamroller和Jaguar）上运行AVX指令的CPU的效率：

static inline float _mm256_reduce_add_ps(__m256 x) {
    /* ( x3+x7, x2+x6, x1+x5, x0+x4 ) */
    const __m128 x128 = _mm_add_ps(_mm256_extractf128_ps(x, 1), _mm256_castps256_ps128(x));
    /* ( -, -, x1+x3+x5+x7, x0+x2+x4+x6 ) */
    const __m128 x64 = _mm_add_ps(x128, _mm_movehl_ps(x128, x128));
    /* ( -, -, -, x0+x1+x2+x3+x4+x5+x6+x7 ) */
    const __m128 x32 = _mm_add_ss(x64, _mm_shuffle_ps(x64, x64, 0x55));
    /* Conversion to float is a no-op on x86-64 */
    return _mm_cvtss_f32(x32);
}

您可以使用AVX（即_mm256_hadd_ps的正确256位版本）模拟完整的水平加法，如下所示：

#define _mm256_full_hadd_ps(v0, v1) 
        _mm256_hadd_ps(_mm256_permute2f128_ps(v0, v1, 0x20), 
                       _mm256_permute2f128_ps(v0, v1, 0x31))

如果你只使用一个输入向量，那么你可以稍微简化一下。

相关文章：