assembly - 对大整数进行符号扩展的最有效代码是什么？

Question

我正在用 x86-64 汇编语言编写一个代码库，为 s0128 提供所有传统的按位、移位、逻辑、比较、算术和数学函数。 , s0256 , s0512 , s1024 , s2048 ，和s4096有符号整数类型和 f0128 , f0256 , f0512 , f1024 , f2048 ，和f4096浮点类型。

现在我正在编写一些类型转换例程，并且遇到了一些本来应该微不足道的事情，但需要的指令比我预期的要多得多。我觉得我一定错过了一些东西(一些说明)来使这变得更容易，但到目前为止还没有运气。

s0256的低128位结果只是 s0128 的副本输入参数，以及 s0256 的高 128 位中的所有位结果必须设置为 s0128 中的最高有效位输入参数。

很简单吧？但这是迄今为止我能想到的最好的转换s0256至s0128 。忽略前 4 行(它们只是参数错误检查)和最后 2 行(从函数返回且没有错误 (rax == 0))。中间的 5 行是有问题的算法。尽量避免[条件]跳转指令。

.text
.align 64
big_m63:
.quad  -63, -63                       # two shift counts for vpshaq instruction

big_s0256_eq_s0128:    # (s0256* arg0, const s0128* arg1); # s0256 = s0256(s0128)
  orq        %rdi, %rdi               # is arg0 a valid address ???
  jz         error_argument_invalid   # nope
  orq        %rsi, %rsi               # is arg1 a valid address ???
  jz         error_argument_invalid   # nope

  vmovapd    (%rsi), %xmm0            # ymm0 = arg1.ls64 : arg1.ms64 : 0 : 0
  vmovhlps   %xmm0, %xmm0, %xmm1      # ymm1 = arg1.ms64 : arg1.ms64 : 0 : 0
  vpshaq     big_m63, %xmm1, %xmm1    # ymm1 = arg1.sign : arg1.sign : 0 : 0
  vperm2f128 $32, %ymm1, %ymm0, %ymm0 # ymm1 = arg1.ls64 : arg1.ms64 : sign : sign
  vmovapd    %ymm0, (%rdi)            # arg0 = arg1 (sign-extended to 256-bits)

  xorq       %rax, %rax               # rax = 0 == no error
  ret                                 # return from function

该例程也不是最佳的，因为每条指令都需要前一条指令的结果，这会阻止任何指令的并行执行。

是否有更好的带符号扩展的右移指令？我找不到类似 vpshaq 的指令它接受立即字节来指定移位计数，但我不知道为什么(许多 SIMD 指令具有用于各种目的的立即 8 位操作数)。此外，英特尔不支持vpshaq 。哎呀!

但是看! StephenCanon 对于这个问题有一个绝妙的解决方案，如下!惊人的!该解决方案比上面的解决方案多了一条指令，但是 vpxor指令可以放在第一个 vmovapd 之后指令，并且实际上不应占用比上述 5 条指令版本更多的周期。太棒了!

为了完整和方便比较，以下是具有最新 StephenCanon 增强功能的代码:

.text
.align 64
big_s0256_eq_s0128:    # (s0256* arg0, const s0128* arg1); # s0256 = s0256(s0128)
  orq        %rdi, %rdi               # is arg0 a valid address ???
  jz         error_argument_invalid   # nope
  orq        %rsi, %rsi               # is arg1 a valid address ???
  jz         error_argument_invalid   # nope

  vmovapd    (%rsi), %xmm0            # ymm0 = arg1.ls64 : arg1.ms64 : 0 : 0
  vpxor      %xmm2, %xmm2, %xmm2      # ymm2 = 0 : 0 : 0 : 0
  vmovhlps   %xmm0, %xmm0, %xmm1      # ymm1 = arg1.ms64 : arg1.ms64 : 0 : 0
  vpcmpgtq   %xmm1, %xmm2, %xmm1      # ymm1 = arg1.sign : arg1.sign : 0 : 0
  vperm2f128 $32, %ymm1, %ymm0, %ymm0 # ymm1 = arg1.ls64 : arg1.ms64 : sign : sign
  vmovapd    %ymm0, (%rdi)            # arg0 = arg1 (sign-extended to 256-bits)

  xorq       %rax, %rax               # rax = 0 == no error
  ret                                 # return from function

我不确定，但不需要从内存中读取这两个 64 位移位计数也可能会稍微加快代码速度。不错。

Answer 1

你把事情搞得太复杂了。在 rax 中登录后，只需从那里执行两次 64b 存储，而不是尝试在 ymm0 中组装结果。少一条指令和更短的依赖链。

随着目标类型变大，当然，使用更宽的存储 (AVX) 是有意义的。使用 AVX2，您可以使用 vbroadcastq 更有效地进行 splat，但看起来您的目标是基线 AVX？

我还应该注意到，一旦达到约 512b 整数，对于大多数算法来说，乘法等超线性运算的成本完全主导了运行时间，以至于从符号扩展等运算中挤出每个最后一个周期很快就开始失去值(value)。这是一个很好的练习，但一旦您的实现“足够好”，它最终就不是最有效地利用您的时间。

<小时/>

经过进一步思考，我有以下建议:

vmovhlps  %xmm0, %xmm0, %xmm1 // could use a permute instead to stay in integer domain.
vpxor     %xmm2, %xmm2, %xmm2
vpcmpgtq  %xmm1, %xmm2, %xmm2 // generate sign-extension without shift

这具有以下优点:(a) 不需要恒定负载；(b) 可在 Intel 和 AMD 上工作。生成零的异或看起来像是一条额外的指令，但实际上，这种归零惯用法甚至不需要最新处理器上的执行槽。

<小时/>

FWIW，如果针对 AVX2，我可能会这样写:

vmovdqa (%rsi),        %xmm0 // { x0, x1, 0,  0  }
vpermq   $0x5f, %ymm0, %ymm1 // { 0,  0,  x1, x1 }
vpxor    %ymm2, %ymm2, %ymm2 // { 0,  0,  0,  0  }
vpcmpgtq %ymm1, %ymm2, %ymm2 // { 0,  0,  s,  s  } s = sign extension
vpor     %ymm2, %ymm0, %ymm0 // { x0, x1, s,  s  }
vmovdqa  %ymm0,       (%rdi)

不幸的是，我认为 vpermq 在 AMD 上不可用。