正如@MaratDukhan所指出的那样,_mm256_shuffle_epi8
(即ymm-s的VPSHUFB
)并不执行完整的32字节洗牌。对我来说,这真是太遗憾了...
这就是为什么为了在没有AVX2的情况下模拟它,您可以简单地将每个寄存器分成两半,对每个半部分进行排列,然后将它们组合在一起的原因:
__m256i _emu_mm256_shuffle_epi8(__m256i reg, __m256i shuf) {
__m128i reg0 = _mm256_castsi256_si128(reg);
__m128i reg1 = _mm256_extractf128_si256(reg, 1);
__m128i shuf0 = _mm256_castsi256_si128(shuf);
__m128i shuf1 = _mm256_extractf128_si256(shuf, 1);
__m128i res0 = _mm_shuffle_epi8(reg0, shuf0);
__m128i res1 = _mm_shuffle_epi8(reg1, shuf1);
__m256i res = _mm256_setr_m128i(res0, res1);
return res;
}
如果您真的想要完全洗牌32字节寄存器,您可以遵循这篇论文中的方法。将每个半部分与另一个半部分混合,然后将结果混合在一起。没有AVX2的话,大致是这样的:
__m256i _emu_mm256_shuffle32_epi8(__m256i reg, __m256i shuf) {
__m128i reg0 = _mm256_castsi256_si128(reg);
__m128i reg1 = _mm256_extractf128_si256(reg, 1);
__m128i shuf0 = _mm256_castsi256_si128(shuf);
__m128i shuf1 = _mm256_extractf128_si256(shuf, 1);
__m128i res00 = _mm_shuffle_epi8(reg0, shuf0);
__m128i res01 = _mm_shuffle_epi8(reg0, shuf1);
__m128i res10 = _mm_shuffle_epi8(reg1, shuf0);
__m128i res11 = _mm_shuffle_epi8(reg1, shuf1);
__m128i res0 = _mm_blendv_epi8(res10, res00, _mm_cmplt_epi8(shuf0, _mm_set1_epi8(16)));
__m128i res1 = _mm_blendv_epi8(res11, res01, _mm_cmplt_epi8(shuf1, _mm_set1_epi8(16)));
__m256i res = _mm256_setr_m128i(res0, res1);
return res;
}
如果你确定只使用了reg
的下半部分,那么可以删除reg1
、res10
、res11
行,并且删除比较和混合。实际上,如果没有AVX2,坚持使用SSE并使用128位寄存器可能更有效率。
使用AVX2可以显着优化通用的32字节重排:
__m256i _ext_mm256_shuffle32_epi8(__m256i reg, __m256i shuf) {
__m256i regAll0 = _mm256_permute2x128_si256(reg, reg, 0x00);
__m256i regAll1 = _mm256_permute2x128_si256(reg, reg, 0x11);
__m256i resR0 = _mm256_shuffle_epi8(regAll0, shuf);
__m256i resR1 = _mm256_shuffle_epi8(regAll1, shuf);
__m256i res = _mm256_blendv_epi8(resR1, resR0, _mm256_cmpgt_epi8(_mm256_set1_epi8(16), shuf));
return res;
}
注意:代码未经测试!
VPSHUFB ymm, ymm, ymm/m256
并不是真正的 256 位洗牌,而是两个 128 位的洗牌。 - Marat Dukhan