在 SIMD 中将符号短C++转换为浮点数

Convert signed short to float in C++ SIMD

本文关键字:C++ 转换 浮点数 符号 SIMD      更新时间:2023-10-16

我有一个有符号的短数组,我想除以 2048 年并得到一个浮点数数组。

我发现 SSE:将短整数转换为浮点数,允许将无符号空头转换为浮点数,但我也想处理有符号的空头。

下面的代码有效,但仅适用于正短。

// We want to divide some signed short by 2048 and get a float.
const auto floatScale = _mm256_set1_ps(2048);
short* shortsInput = /* values from somewhere */;
float* floatsOutput = /* initialized */;
__m128i* m128iInput = (__m128i*)&shortsInput[0];
// Converts the short vectors to 2 float vectors. This works, but only for positive shorts.
__m128i m128iLow = _mm_unpacklo_epi16(m128iInput[0], _mm_setzero_si128());
__m128i m128iHigh = _mm_unpackhi_epi16(m128iInput[0], _mm_setzero_si128());
__m128 m128Low = _mm_cvtepi32_ps(m128iLow);
__m128 m128High = _mm_cvtepi32_ps(m128iHigh);
// Puts the 2 __m128 vectors into 1 __m256.
__m256 singleComplete = _mm256_castps128_ps256(m128Low);
singleComplete = _mm256_insertf128_ps(singleComplete, m128High, 1);
// Finally do the math
__m256 scaledVect = _mm256_div_ps(singleComplete, floatScale);
// and puts the result where needed.
_mm256_storeu_ps(floatsOutput[0], scaledVect);

如何将我的签名短裤转换为浮动?或者也许有更好的方法来解决这个问题?


编辑: 与非 SIMD 算法相比,我尝试了不同的答案,在 ~3.2GHz 的 AMD 锐龙 7 2700 上,在 2048 阵列上尝试了 10M 次。我使用的是Visual 15.7.3,主要是默认配置:

/permissive- /Yu"stdafx.h" /GS /GL /W3 /Gy /Zc:wchar_t /Zi /Gm- /O2 /sdl 
/Fd"x64Releasevc141.pdb" /Zc:inline /fp:precise /D "NDEBUG" /D "_CONSOLE"
/D "_UNICODE" /D "UNICODE" /errorReport:prompt /WX- /Zc:forScope
/arch:AVX2 /Gd /Oi /MD /openmp /FC /Fa"x64Release" /EHsc /nologo
/Fo"x64Release" /Fp"x64Releasetest.pch" /diagnostics:classic 

请注意,我对 SIMD 非常陌生,已经很久没有使用C++了。这是我得到的(我分别重新运行每个测试,而不是一个接一个地重新运行,并获得了更好的结果):

  • 无单程:7300 毫秒
  • Wim 的答案:2300ms
  • chtz 的 SSE2 答案:1650ms
  • CHTZ 的 AVX2 答案:2100ms

因此,通过使用 SIMD,我得到了很好的加速,chtz 的 SSE2 答案虽然更详细、更复杂,但速度更快。 (至少在启用 AVX 的情况下编译时,因此它避免了使用 3 操作数 VEX 编码指令复制寄存器的额外指令。 在英特尔 CPU 上,AVX2 版本应该比 128 位版本快得多。

这是我的测试代码:

const int size = 2048;
const int loopSize = (int)1e7;
float* noSimd(short* shortsInput) {
float* floatsOutput = new float[size];
auto startTime = std::chrono::high_resolution_clock::now();
for (int i = 0; i < loopSize; i++) {
for (int j = 0; j < size; j++) {
floatsOutput[j] = shortsInput[j] / 2048.0f;
}
}
auto stopTime = std::chrono::high_resolution_clock::now();
long long totalTime = (stopTime - startTime).count();
printf("%lld noSimdn", totalTime);
return floatsOutput;
}
float* wimMethod(short* shortsInput) {
const auto floatScale = _mm256_set1_ps(1.0f / 2048.0f);
float* floatsOutput = new float[size];
auto startTime = std::chrono::high_resolution_clock::now();
for (int i = 0; i < loopSize; i++) {
for (int j = 0; j < size; j += 8) {
__m128i short_vec = _mm_loadu_si128((__m128i*)&shortsInput[j]);
__m256i int_vec = _mm256_cvtepi16_epi32(short_vec);
__m256  singleComplete = _mm256_cvtepi32_ps(int_vec);
// Finally do the math
__m256 scaledVect = _mm256_mul_ps(singleComplete, floatScale);
// and puts the result where needed.
_mm256_storeu_ps(&floatsOutput[j], scaledVect);
}
}
auto stopTime = std::chrono::high_resolution_clock::now();
long long totalTime = (stopTime - startTime).count();
printf("%lld wimMethodn", totalTime);
return floatsOutput;
}
float* chtzMethodSSE2(short* shortsInput) {
float* floatsOutput = new float[size];
auto startTime = std::chrono::high_resolution_clock::now();
for (int i = 0; i < loopSize; i++) {
for (int j = 0; j < size; j += 8) {
// get input:
__m128i val = _mm_loadu_si128((__m128i*)&shortsInput[j]);
// add 0x8000 to wrap to unsigned short domain:
val = _mm_add_epi16(val, const0x8000);
// interleave with upper part of float(1<<23)/2048.f:
__m128i lo = _mm_unpacklo_epi16(val, const0x4580);
__m128i hi = _mm_unpackhi_epi16(val, const0x4580);
// interpret as float and subtract float((1<<23) + (0x8000))/2048.f
__m128 lo_f = _mm_sub_ps(_mm_castsi128_ps(lo), constFloat);
__m128 hi_f = _mm_sub_ps(_mm_castsi128_ps(hi), constFloat);
// store:
_mm_storeu_ps(&floatsOutput[j], lo_f);
_mm_storeu_ps(&floatsOutput[j] + 4, hi_f);
}
}
auto stopTime = std::chrono::high_resolution_clock::now();
long long totalTime = (stopTime - startTime).count();
printf("%lld chtzMethodn", totalTime);
return floatsOutput;
}
float* chtzMethodAVX2(short* shortsInput) {
const auto floatScale = _mm256_set1_ps(1.0f / 2048.0f);
float* floatsOutput = new float[size];
auto startTime = std::chrono::high_resolution_clock::now();
for (int i = 0; i < loopSize; i++) {
for (int j = 0; j < size; j += 8) {
// get input:
__m128i val = _mm_loadu_si128((__m128i*)&shortsInput[j]);
// interleave with 0x0000
__m256i val_unpacked = _mm256_cvtepu16_epi32(val);
// 0x4580'8000
const __m256 magic = _mm256_set1_ps(float((1 << 23) + (1 << 15)) / 2048.f);
const __m256i magic_i = _mm256_castps_si256(magic);
/// convert by xor-ing and subtracting magic value:
// VPXOR avoids port5 bottlenecks on Intel CPUs before SKL
__m256 val_f = _mm256_castsi256_ps(_mm256_xor_si256(val_unpacked, magic_i));
__m256 converted = _mm256_sub_ps(val_f, magic);
// store:
_mm256_storeu_ps(&floatsOutput[j], converted);
}
}
auto stopTime = std::chrono::high_resolution_clock::now();
long long totalTime = (stopTime - startTime).count();
printf("%lld chtzMethod2n", totalTime);
return floatsOutput;
}

您可以通过手动组合浮点数来替换转换 epi16->epi32->float 并乘以1.f/2048.f的标准方法。

这是有效的,因为除数是 2 的幂,所以手动组成浮点数只是意味着不同的指数。

多亏了@PeterCordes,这里是这个想法的优化 AVX2 版本,使用 XOR 设置 32 位浮点数的上字节,同时翻转整数值的符号位。 FP SUB将尾数的那些低位转换为正确的FP值:

// get input:
__m128i val = _mm_loadu_si128((__m128i*)input);
// interleave with 0x0000
__m256i val_unpacked = _mm256_cvtepu16_epi32(val);
// 0x4580'8000
const __m256 magic = _mm256_set1_ps(float((1<<23) + (1<<15))/2048.f);
const __m256i magic_i = _mm256_castps_si256(magic);
/// convert by xor-ing and subtracting magic value:
// VPXOR avoids port5 bottlenecks on Intel CPUs before SKL
__m256 val_f = _mm256_castsi256_ps(_mm256_xor_si256(val_unpacked, magic_i));
__m256 converted = _mm256_sub_ps(val_f, magic);
// store:
_mm256_storeu_ps(output, converted);

在带有gcc和clang的Godbolt编译器资源管理器上看到它;在Skylake i7-6700k上,缓存中热的2048元素循环需要~360个时钟周期,与@wim的版本相同的速度(在测量误差范围内)执行标准符号扩展/转换/乘法(具有相似数量的循环展开)。 由 @PeterCordes 与 Linuxperf进行测试。 但是在 Ryzen 上,这可能会明显更快,因为我们避免了_mm256_cvtepi32_ps(对于vcvtdq2ps ymm:http://agner.org/optimize/,Ryzen 每 2 个时钟吞吐量为 1 个。

0x8000与下半部分的异或等价于加/减0x8000,因为溢出/进位被忽略。巧合的是,这允许使用相同的魔术常数进行异或和减法。

奇怪的是,gcc 和 clang 更喜欢用加法代替减法-magic,这不会重用常数...... 他们更喜欢使用add,因为它是可交换的,但在这种情况下没有任何好处,因为他们没有将其与内存操作数一起使用。


这是一个 SSE2 版本,它分别执行有符号/无符号翻转,而不是设置 32 位 FP 位模式的高 2 个字节。

我们对 8 个值使用一个_mm_add_epi16、两个_mm_unpackXX_epi16和两个_mm_sub_ps(_mm_castsi128_ps是无操作的,_mm_set将缓存在寄存器中):

// get input:
__m128i val = _mm_loadu_si128((__m128i*)input);
// add 0x8000 to wrap to unsigned short domain:
// val = _mm_add_epi16(val, _mm_set1_epi16(0x8000));
val = _mm_xor_si128(val, _mm_set1_epi16(0x8000));  // PXOR runs on more ports, avoids competing with FP add/sub or unpack on Sandybridge/Haswell.
// interleave with upper part of float(1<<23)/2048.f:
__m128i lo = _mm_unpacklo_epi16(val, _mm_set1_epi16(0x4580));
__m128i hi = _mm_unpackhi_epi16(val, _mm_set1_epi16(0x4580));
// interpret as float and subtract float((1<<23) + (0x8000))/2048.f
__m128 lo_f = _mm_sub_ps(_mm_castsi128_ps(lo), _mm_set_ps1(float((1<<23) + (1<<15))/2048.f));
__m128 hi_f = _mm_sub_ps(_mm_castsi128_ps(hi), _mm_set_ps1(float((1<<23) + (1<<15))/2048.f));
// store:
_mm_storeu_ps(output, lo_f);
_mm_storeu_ps(output+4, hi_f);

使用演示: https://ideone.com/b8BfJd

如果您的输入是未签名的短,则不需要_mm_add_epi16(当然,需要删除_mm_sub_ps中的1<<15)。 然后你会得到马拉在SSE上的答案:将短整数转换为浮点数。

可以很容易地移植到 AVX2 上,每次迭代的转换次数是原来的两倍,但必须注意输出元素的顺序(感谢@wim指出这一点)。


此外,对于纯 SSE 解决方案,可以简单地使用_mm_cvtpi16_ps,但这是一个英特尔库函数。 没有单一的指令可以做到这一点。

// cast input pointer:
__m64* input64 = (__m64*)input;
// convert and scale:
__m128 lo_f = _mm_mul_ps(_mm_cvtpi16_ps(input64[0]), _mm_set_ps1(1.f/2048.f));
__m128 hi_f = _mm_mul_ps(_mm_cvtpi16_ps(input64[1]), _mm_set_ps1(1.f/2048.f));

我没有对任何解决方案进行基准测试(也没有检查理论吞吐量或延迟)

使用 AVX2 时,无需分别转换高位和低位:

const auto floatScale = _mm256_set1_ps(1.0f/2048.0f);
short* shortsInput = /* values from somewhere */;
float* floatsOutput = /* initialized */;
__m128i short_vec = _mm_loadu_si128((__m128i*)shortsInput);
__m256i int_vec =  _mm256_cvtepi16_epi32 (short_vec);
__m256  singleComplete = _mm256_cvtepi32_ps (int_vec);
// Finally do the math
__m256 scaledVect = _mm256_mul_ps(singleComplete, floatScale);
// and puts the result where needed.
_mm256_storeu_ps(floatsOutput, scaledVect);

这在 Godbolt 编译器资源管理器上编译得很好,并且在 L1d 缓存中的输入/输出热和对齐的输入/输出数组中,在 Skylake i7-6700k 上以 ~360 个时钟周期转换 2048 个元素的数组(在重复循环中测试)。 即每个元素 ~0.18 个周期,或每个时钟周期 ~5.7 个转换。 或每个向量~1.4个周期,包括存储。 它主要是前端吞吐量的瓶颈(每个时钟 3.75 个融合域 uops),即使有 clang 的循环展开,因为转换是 5 uops。

请注意,即使在 Haswell/Skylake 上使用简单的寻址模式,vpmovsxwd ymm, [mem]也无法微融合到单个 uop 中,因此在这种情况下,最近的 gcc/clang 最好使用单个循环计数器将指针增量转换为索引寻址。 对于大多数内存源矢量指令(如vpmovsxwd xmm, [mem]),这将花费额外的uop:微融合和寻址模式。

使用一个加载和一个存储,存储无法在 Haswell/Skylake 的 port7 存储 AGU 上运行是可以的,该存储仅处理非索引寻址模式。

英特尔 CPU 上的最大吞吐量需要循环展开(如果没有内存瓶颈),因为加载 + 转换 + 存储已经是 4 uops。 和@chtz的回答一样。

理想情况下,如果您只需要读取浮点值几次,请立即使用向量结果进行进一步计算。 它只有 3 条指令(但确实有一些延迟让乱序执行隐藏)。 在需要时重做转换可能比使用更大的缓存占用空间来存储两倍大的float[]结果更好;这取决于您的用例和硬件。