- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
从 SIMD 寄存器加载和存储生成用途寄存器的最佳方式是什么?到目前为止,我一直使用堆栈作为临时的。例如,
mov [rsp + 0x00], r8
mov [rsp + 0x08], r9
mov [rsp + 0x10], r10
mov [rsp + 0x18], r11
vmovdqa ymm0, [rsp] ; stack is properly aligned first.
我认为没有任何指令可以直接(或其他方向)执行此操作,因为这意味着具有五个操作数的指令。然而,上面的代码对我来说似乎很愚蠢。有更好的方法吗?我只能想到一种替代方案,使用 pinsrd
和相关指令。但似乎并没有好转。
动机是,有时在 AVX2 中执行某些操作会更快,而其他操作则使用通用寄存器执行。例如,在一小段代码中,有四个 64 位无符号整数,我需要 BMI2 中的四个 xor
、两个 mulx
。使用 vpxor
执行xor
会更快,但是,mulx
没有 AVX2 等效项。 vpxor
与 4 xor
相比,任何性能增益都会因打包和解包过程而丢失。
最佳答案
您的瓶颈是延迟、吞吐量还是融合域微指令?如果是延迟,那么存储/重新加载就会很糟糕,因为从窄存储到宽负载的存储转发停滞。
对于吞吐量和融合域微指令,这并不可怕:只有 5 个融合域微指令,在存储端口上形成瓶颈。如果周围的代码主要是ALU uops,那么值得考虑。
<小时/>对于您建议的用例:
花费大量指令/微指令在整数和向量寄存器之间移动数据通常是一个坏主意。 PMULUDQ确实为您提供了相当于 32 位 mulx 的功能,但您是对的,64 位乘法在 AVX2 中不能直接使用。 (AVX512 有它们)。
您可以使用 PMULUDQ 的常用扩展精度技术进行 64 位向量乘法。我对Fastest way to multiply an array of int64_t?的回答发现使用 AVX2 256b 向量对 64 x 64 => 64b 乘法进行向量化是值得的,但对于 128b 向量则不值得。但这是内存中的数据,而不是向量寄存器中开始和结束的数据。
在这种情况下,可能值得从多个 32x32 => 64 位向量乘法中构建一个 64x64 => 128b 完全乘法,但可能需要太多指令,因此不值得它。如果您确实需要上半部分结果,则解包为标量(或执行整个标量操作)可能是最好的选择。
整数 XOR 非常便宜,具有出色的 ILP(延迟 = 1,吞吐量 = 每个时钟 4)。如果您没有其他矢量友好的操作,那么将数据移动到矢量寄存器中只是为了进行异或它绝对不值得。请参阅x86 tag wiki用于性能链接。
<小时/>延迟的最佳方法可能是:
vmovq xmm0, r8
vmovq xmm1, r10 # 1uop for p5 (SKL), 1c latency
vpinsrq xmm0, r9, 1 # 2uops for p5 (SKL), 3c latency
vpinsrq xmm1, r11, 1
vinserti128 ymm0, ymm0, ymm1, 1 # 1uop for p5 (SKL), 3c latency
总计:p5 为 7 uops,有足够的 ILP 来几乎所有背靠背运行它们。无论如何,r8 可能会比 r10 早一两个周期准备就绪,因此您不会损失太多。
<小时/>还值得考虑:无论您做什么来生成 r8..r11,都使用向量整数指令来执行,以便您的数据已经在 XMM 寄存器中。不过,您仍然需要使用 2x PUNPCKLQDQ 和 VINSERTI128 将它们混在一起。
关于assembly - 从通用寄存器加载/存储到 xmm/ymm 寄存器/从 xmm/ymm 寄存器加载/存储的最佳方式,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40623773/
Intel x86 汇编中执行以下操作最有效的方法是什么(a、b 是 32 位 float ): 从 xmm1: [-, -, a, b] 到 xmm1: [a, a, b, b] 我找不到任何有用的
Intel x86 汇编中执行以下操作最有效的方法是什么(a、b 是 32 位 float ): 从 xmm1: [-, -, a, b] 到 xmm1: [a, a, b, b] 我找不到任何有用的
从 SIMD 寄存器加载和存储生成用途寄存器的最佳方式是什么?到目前为止,我一直使用堆栈作为临时的。例如, mov [rsp + 0x00], r8 mov [rsp + 0x08], r9 mov
我正在尝试实现一些内联汇编器(在 C/C++ 代码中)以利用 SSE。我想将值(从 XMM 寄存器或内存)复制并复制到另一个 XMM 寄存器。例如,假设我在内存中有一些值 {1, 2, 3, 4}。我
在多核 CPU 中,每个核是否都可以访问自己的 XMM 寄存器组?例如,如果一个芯片被列为具有 16 个 XMM 寄存器 (XMM0-XMM15),那么每个内核 16 个寄存器还是 16 个共享? 我
我发现很难在 Visual Studio 的寄存器窗口中解释 xmm 寄存器的值。窗口显示以下内容: XMM0 = 00000000000000004018000000000000 XMM1 = 00
pushf //couldnt store this in other registers movd xmm0,eax//storing in xmm registers
我正在使用 AES-NI在内核代码中。 AES 新指令使用 XMM 寄存器,我想确保从用户模式到内核模式的转换以及返回到用户模式的转换将保留 XMM 寄存器的状态。 MSDN link读到: In 6
有没有办法将压缩双字整数从 XMM 寄存器推送到堆栈?然后在需要时将其弹出? 理想情况下,我正在为通用寄存器寻找 PUSH 或 POP 之类的东西,我已经检查过英特尔手册,但我要么错过了命令,要么没有
是将值移动到 xmm 寄存器的唯一方法,首先将值移动到整数寄存器中,不知道它们叫什么,然后进入 xmm 寄存器,例如 mov [eax], (float)1000 ; store to mem
如何仅访问 128 位 xmm 寄存器的特定部分(字节)?我必须在整个空间上循环(按字节),逐字节比较并在明确定义的条件下复制它*。 因此,我必须将这个 16 字节寄存器的每个字节与 \0 进行比较,
我在xmm1寄存器加载了一些内容,假设它可以被视为 xmm1 = | bgra | bgra | bgra | bgra | (each one a dw) 现在,我想将每个双字逻辑右移 1 个字节,
我正在尝试使用 XMM 寄存器使用 SSE2 指令将 4 个数字添加到其他 4 个汇编语言中的数字。我确实成功了,但是我遇到了一些我不明白的事情。如果我以这种方式添加: movdqu xmm0, ow
我想知道,有没有办法增加 xmm 寄存器中的值,或者只能将一个值移到一个寄存器中? 我的意思是,你可以这样做: inc eax 或者像这样: inc [ebp+7F00F000] 有没有办法对 xmm
我需要能够采用 4 个压缩整数,并使用“或”运算将它们(一个在另一个之上)折叠成一个组合整数。 最有效的方法是什么?请注意,打包整数中的 1 永远不会有公共(public)位置,因此我认为无符号“ad
我正在尝试使用 XMM 寄存器使用 SSE2 指令将 4 个数字添加到其他 4 个汇编语言中的数字。我确实成功了,但是我遇到了一些我不明白的事情。如果我以这种方式添加: movdqu xmm0, ow
使用 nasm 在 x86 汇编中编程... 使用 MOVQ 指令,我将 m64 设置为 xmm MOVQ xmm1, qword [mymem64] 现在我想将它与零进行比较,以便我可以使用 Jcc
给定一个 128 位 xmm包含两个四字(即两个 64 位整数)的寄存器: ╭──────────────────┬──────────────────╮ xmm0 │ ffeeddccbb
我正在开发一个涉及 SSE 内在函数和 XMM 寄存器的项目,并且我想使用提供的所有 16 个寄存器。我试图明确告诉编译器执行此操作,但它似乎不起作用。例如,我可能会写这样一行: register _
我正在尝试使用 GCC 风格的内联汇编将 xmm 寄存器推送到 x86_64 C 代码中的堆栈上。我查看了this的答案问题并正在使用此代码 int main(void) { asm vola
我是一名优秀的程序员,十分优秀!