Перетасовка каналов / полос для SSE и AVX?

Какие инструкции SSE/AVX перетасовывают полосы из a в b и c? 

float4 a = {data[0], data[1], data[2], data[3]};
float4 b = {data[1], data[2], data[3], data[0]};  // lanes shifted left
float4 c = {data[3], data[0], data[1], data[2]};  // lanes shifted right

float8 a = {data[0], data[1], data[2], data[3],
            data[4], data[5], data[6], data[7]};
float8 b = {data[1], data[2], data[3], data[4],
            data[5], data[6], data[7], data[0]};  // lanes shifted left
float8 c = {data[7], data[0], data[1], data[2],
            data[3], data[4], data[5], data[6]};  // lanes shifted right

Предыстория:

У меня есть алгоритм, который требует значений из соседних точек; это означает, что в настоящее время я смешиваю выровненные нагрузки и несогласованные нагрузки: 

(
      plate[row + 1][column]    // aligned
    + plate[row - 1][column]    // aligned
    + plate[row][column + 1]    // unaligned
    + plate[row][column - 1]    // unaligned
    + (4 * plate[row][column])  // aligned
) / 8;

Вот он в SSE: 

__m128 bottom  = _mm_load_ps(&from[row-1][column]);
__m128 left    = _mm_loadu_ps(&from[row][column-1]);
__m128 middle  = _mm_load_ps(&from[row][column]);
__m128 right   = _mm_loadu_ps(&from[row][column+1]);
__m128 top     = _mm_load_ps&from[row+1][column]);

(top + bottom + left + right + _mm_set1_ps(4.0f) * middle) * _mm_set1_ps(0.125f);
Я понял, что значения в current и либо left, либо right отличаются только на одно значение. Поэтому у меня возникла идея, что вместо того, чтобы делать 2 не выровненные нагрузки, я мог бы, возможно, перетасовать полосы, а затем вставить одно значение, которое отличается. Мне нужно проверить задержку / пропускную способность по инструкциям, чтобы увидеть, будет ли это быстрее, но я не знаком ни с одним из этих видов инструкций SSE/AVX.
1 6
avx vectorization

1 ответ:

На последних процессорах Intel (Core i7 и др.) рассогласованная нагрузка является разумным подходом, но на более старых процессорах это относительно дорого. Альтернативный подход заключается в использовании _mm_alignr_epi8 (PALIGNR) - Обычно вы выполняете итерацию вдоль строки и поддерживаете 3 последовательных вектора - после каждой итерации вы перетасовываете эти векторы вдоль одного, а затем загружаете новый вектор, поэтому есть только одна нагрузка на итерацию.

__m128 va = _mm_setzero_ps();
__m128 vb = _mm_load_ps(&from[row][0]);
for (col = 0; col < N; col += 4)
{
    __m128 vc = _mm_load_ps(&from[row][col + 4]);

    __m128 centre = vb;
    __m128 left = (__m128)_mm_alignr_epi8((__m128i)va, (__m128i)vb, sizeof(float));
    __m128 right = (__m128)_mm_alignr_epi8((__m128i)vb, (__m128i)vc, 3 * sizeof(float));

    // do stuff ...

    va = vb;  // shuffle vectors along
    vb = vc;
}

AVX немного сложнее из - за ограничений 128-битных полос-возможно, Вам будет лучше придерживаться с несогласованными нагрузками.

4