如何解决在AVX512中索引数组存储的最快方法？
我的操作形式为：
for (I=0;I<31;I++)
{
dst[index1[I]]=src1[I];
dst[index2[I]]=src2[I];
}
所有数据数组都有128b个元素。 [编辑]
我不确定在AVX512中实现它的最佳方法是什么。我可以将源加载到zmm寄存器中，但此后我能做的最好的事情是使用提取和128b存储。有什么建议吗？
解决方法
在当前的CPU上，AVX-512分散指令不是非常快，在Skylake-X上每个时钟周期少于一个64位元素，在Ice Lake上仅超过1个qword /时钟
特别是如果索引可以在index1和index2之间重叠（碰撞），则几乎可以肯定4个独立的128位存储要比检查索引向量对之间的冲突好。请注意，从中分散4x个元素如果library(tidyverse)
rdf1 <- Df_2 %>%
left_join(Df_1,by = 'value') %>%
group_by(ID.x) %>%
mutate(keep = !any(is.na(ID.y))) %>%
ungroup
# > rdf1
# # A tibble: 6 x 4
# ID.x value ID.y keep
# <chr> <chr> <chr> <lgl>
# 1 y A x FALSE
# 2 y B x FALSE
# 3 y D NA FALSE
# 4 z A x TRUE
# 5 z B x TRUE
# 6 z C x TRUE
rdf1 %>% filter(keep)
，则src1和src2中的4x元素将给出不同的最终结果。按照原始的源顺序，该dst元素将得到idx1[1] == idx2[0]，但是如果您不小心，它将得到src1[1]。
使用128位元素，可能只进行512位加载，并通过src2[0]（通过vmovdqu xmm / _mm512_castsi512_si128）和3x {{ 1}}（VEXTRACTI64x2）商店。
或256位加载和_mm_storeu_si128 + _mm512_extracti64x2_epi64存储。但是，如果在周围的代码中使用512位向量，则最好在此处使用它们；您已经在支付CPU频率和执行端口关闭费用。
如果可以让编译器执行64位索引数据加载，并用vmovdqu xmm / vextracti128分开32位一半，以节省内存加载/存储端口，那可能会很好。 。使用GNU C mov eax,edx可能是可行的。
脚注1 ：例如在最佳情况下，Skylake-X上的shr rdx,32的吞吐量为每11个周期1个。或在冰湖上，每7个周期1个。 https://uops.info/
因此，每11个周期有4个128位存储。手动128位分散可能每2个周期至少存储1x 128位存储，甚至每个时钟1次。甚至在Ice Lake上，它有2个存储端口
对于前端来说，分散指令也有很多用法：分别在SKX或ICL上为26或19。
但只是为了好玩，模拟128位分散：
我们可以使用诸如typedef uint64_t aliasing_u64 __attribute((may_alias,aligned(4)));（VPSCATTERDQ）这样的64位元素散点来模拟128位元素散点。如果您的索引需要为64位，则可以使用vpscatterdq zmm（VPSCATTERQQ），否则可以节省用于加载索引的内存带宽。
生成索引向量，该向量将连续的qword元素对存储到_mm512_i32scatter_epi64和_mm512_i64scatter_epi64。
散点图中的比例因子只能是1,2,4或8，与x86索引寻址模式相同。如果您可以将“索引”存储为字节偏移量而不是元素偏移量，则可能会提高效率。否则，您必须首先将每个索引输入向量加倍（通过将其自身添加）。
然后将其与增量副本（可能与index1[I]*2
index1[I]*2 + 1https://godbolt.org/z/TxzjWz显示了它如何循环编译。 （默认情况下，clang会完全展开它。）
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
