Быстрый подсчет количества равных байтов между двумя массивами

Я написал функцию int compare_16bytes(__m128i lhs, __m128i rhs), чтобы сравнить два 16 байтовых номера с помощью инструкций SSE: эта функция возвращает количество байтов, равное после выполнения сравнения.

Теперь я хотел бы использовать указанную выше функцию для сравнения двух байтовых массивов произвольной длины: длина не может быть кратной 16 байтам, поэтому мне нужно иметь дело с этой проблемой. Как я могу завершить выполнение функции ниже? Как я могу улучшить функцию ниже?

int fast_compare(const char* s, const char* t, int length)
{
    int result = 0;

    const char* sPtr = s;
    const char* tPtr = t;

    while(...)
    {
        const __m128i* lhs = (const __m128i*)sPtr;
        const __m128i* rhs = (const __m128i*)tPtr;

        // compare the next 16 bytes of s and t
        result += compare_16bytes(*lhs,*rhs);

        sPtr += 16;
        tPtr += 16;
    }

    return result;
}

Ответ 1

Как @Mysticial говорит в комментариях выше, сравните и суммируйте по вертикали, а затем просто суммируйте по горизонтали в конце основного цикла:

#include <stdio.h>
#include <stdlib.h>
#include <time.h>
#include <emmintrin.h>

// reference implementation
int fast_compare_ref(const char *s, const char *t, int length)
{
    int result = 0;
    int i;

    for (i = 0; i < length; ++i)
    {
        if (s[i] == t[i])
            result++;
    }
    return result;
}

// optimised implementation
int fast_compare(const char *s, const char *t, int length)
{
    int result = 0;
    int i;

    __m128i vsum = _mm_set1_epi32(0);
    for (i = 0; i < length - 15; i += 16)
    {
        __m128i vs, vt, v, vh, vl, vtemp;

        vs = _mm_loadu_si128((__m128i *)&s[i]); // load 16 chars from input
        vt = _mm_loadu_si128((__m128i *)&t[i]);
        v = _mm_cmpeq_epi8(vs, vt);             // compare
        vh = _mm_unpackhi_epi8(v, v);           // unpack compare result into 2 x 8 x 16 bit vectors
        vl = _mm_unpacklo_epi8(v, v);
        vtemp = _mm_madd_epi16(vh, vh);         // accumulate 16 bit vectors into 4 x 32 bit partial sums
        vsum = _mm_add_epi32(vsum, vtemp);
        vtemp = _mm_madd_epi16(vl, vl);
        vsum = _mm_add_epi32(vsum, vtemp);
    }

    // get sum of 4 x 32 bit partial sums
    vsum = _mm_add_epi32(vsum, _mm_srli_si128(vsum, 8));
    vsum = _mm_add_epi32(vsum, _mm_srli_si128(vsum, 4));
    result = _mm_cvtsi128_si32(vsum);

    // handle any residual bytes ( < 16)
    if (i < length)
    {
        result += fast_compare_ref(&s[i], &t[i], length - i);
    }

    return result;
}

// test harness
int main(void)
{
    const int n = 1000000;
    char *s = malloc(n);
    char *t = malloc(n);
    int i, result_ref, result;

    srand(time(NULL));

    for (i = 0; i < n; ++i)
    {
        s[i] = rand();
        t[i] = rand();
    }

    result_ref = fast_compare_ref(s, t, n);
    result = fast_compare(s, t, n);

    printf("result_ref = %d, result = %d\n", result_ref, result);;

    return 0;
}

Скомпилируйте и запустите вышеуказанный тестовый жгут:

$ gcc -Wall -O3 -msse3 fast_compare.c -o fast_compare
$ ./fast_compare
result_ref = 3955, result = 3955
$ ./fast_compare
result_ref = 3947, result = 3947
$ ./fast_compare
result_ref = 3945, result = 3945

Обратите внимание, что в приведенном выше коде SSE есть один очевидный трюк, в котором мы используем _mm_madd_epi16 для распаковки и накапливания 16-разрядных значений 0/-1 для 32-разрядных частичных сумм. Мы используем тот факт, что -1*-1 = 1 (и 0*0 = 0, конечно) - мы на самом деле не размножаемся здесь, просто распаковываем и суммируем одну команду.

UPDATE: как отмечено в комментариях ниже, это решение не является оптимальным - я просто взял довольно оптимальное 16-битное решение и добавил распаковку от 8 до 16 бит, чтобы он работал для 8-битных данных. Однако для 8-битных данных существуют более эффективные методы, например. используя psadbw/_mm_sad_epu8. Я оставлю этот ответ здесь для потомков, и для тех, кто может захотеть делать такие вещи с 16-битными данными, но на самом деле один из других ответов, который не требует распаковки входных данных, должен быть принятым ответом.

Ответ 2

Использование частичных сумм в 16 x uint8 элементах может дать еще лучшую производительность. Я разделил цикл на внутренний цикл и внешний цикл.
Внутренние элементы uint8 для суммы цикла (каждый элемент uint8 может суммировать до 255 "1" ).
Маленький трюк: _mm_cmpeq_epi8 устанавливает равные элементы в 0xFF и (char) 0xFF = -1, поэтому вы можете вычесть результат из суммы (вычесть -1 для добавления 1).

Вот моя оптимизированная версия для fast_compare:

int fast_compare2(const char *s, const char *t, int length)
{
    int result = 0;
    int inner_length = length;
    int i;
    int j = 0;

    //Points beginning of 4080 elements block.
    const char *s0 = s;
    const char *t0 = t;


    __m128i vsum = _mm_setzero_si128();

    //Outer loop sum result of 4080 sums.
    for (i = 0; i < length; i += 4080)
    {
        __m128i vsum_uint8 = _mm_setzero_si128(); //16 uint8 sum elements (each uint8 element can sum up to 255).
        __m128i vh, vl, vhl, vhl_lo, vhl_hi;

        //Points beginning of 4080 elements block.
        s0 = s + i;
        t0 = t + i;

        if (i + 4080 <= length)
        {
            inner_length = 4080;
        }
        else
        {
            inner_length = length - i;
        }

        //Inner loop - sum up to 4080 (compared) results.
        //Each uint8 element can sum up to 255. 16 uint8 elements can sum up to 255*16 = 4080 (compared) results.
        //////////////////////////////////////////////////////////////////////////
        for (j = 0; j < inner_length-15; j += 16)
        {
              __m128i vs, vt, v;

              vs = _mm_loadu_si128((__m128i *)&s0[j]); // load 16 chars from input
              vt = _mm_loadu_si128((__m128i *)&t0[j]);
              v = _mm_cmpeq_epi8(vs, vt);             // compare - set to 0xFF where equal, and 0 otherwise.

              //Consider this: (char)0xFF = (-1)
              vsum_uint8 = _mm_sub_epi8(vsum_uint8, v); //Subtract the comparison result - subtract (-1) where equal.
        }
        //////////////////////////////////////////////////////////////////////////

        vh = _mm_unpackhi_epi8(vsum_uint8, _mm_setzero_si128());        // unpack result into 2 x 8 x 16 bit vectors
        vl = _mm_unpacklo_epi8(vsum_uint8, _mm_setzero_si128());
        vhl = _mm_add_epi16(vh, vl);    //Sum high and low as uint16 elements.

        vhl_hi = _mm_unpackhi_epi16(vhl, _mm_setzero_si128());   //unpack sum of vh an vl into 2 x 4 x 32 bit vectors
        vhl_lo = _mm_unpacklo_epi16(vhl, _mm_setzero_si128());   //unpack sum of vh an vl into 2 x 4 x 32 bit vectors

        vsum = _mm_add_epi32(vsum, vhl_hi);
        vsum = _mm_add_epi32(vsum, vhl_lo);
    }

    // get sum of 4 x 32 bit partial sums
    vsum = _mm_add_epi32(vsum, _mm_srli_si128(vsum, 8));
    vsum = _mm_add_epi32(vsum, _mm_srli_si128(vsum, 4));
    result = _mm_cvtsi128_si32(vsum);

    // handle any residual bytes ( < 16)
    if (j < inner_length)
    {
        result += fast_compare_ref(&s0[j], &t0[j], inner_length - j);
    }

    return result;
}

Ответ 3

Самый быстрый способ для больших входов - это ответ Rotem, где внутренний цикл pcmpeqb/psubb, вырывается до горизонтальной суммы до того, как какой-либо элемент байта переполнения векторного аккумулятора. Сделайте hsum беззнаковых байтов с psadbw против вектора с нулевым значением.

Без разворачивания/вложенных циклов наилучшим вариантом является, вероятно,

pcmpeqb   -> vector of  0  or  0xFF  elements
psadbw    -> two 64bit sums of  (0*no_matches + 0xFF*matches)
paddq     -> accumulate the psadbw result in a vector accumulator

#outside the loop:
horizontal sum
divide the result by 255

Если у вас нет большого количества регистрового давления в вашей петле, psadbw против вектора 0x7f вместо всего нуля.

psadbw(0x00, set1(0x7f)) = > sum += 0x7f
psadbw(0xff, set1(0x7f)) = > sum += 0x80

Итак, вместо деления на 255 (что компилятор должен делать эффективно без фактического div), вам просто нужно вычесть n * 0x7f, где n - количество элементов.

Также обратите внимание, что paddq работает медленнее на pre-Nehalem и Atom, поэтому вы можете использовать paddd (_mm_add_epi32), если вы не ожидаете, что счетчик никогда не переполнит 32-битное целое число.

Это очень хорошо сочетается с Paul R pcmpeqb/2x punpck/2x pmaddwd/2x paddw.

Ответ 4

Целочисленное сравнение в SSE создает байты, которые либо все нули, либо все. Если вы хотите подсчитать, вам сначала нужно сдвинуть вправо (не арифметически) результат сравнения на 7, а затем добавить к вектору результата. В конце вам все равно нужно уменьшить вектор результата, суммируя его элементы. Это сокращение должно выполняться в скалярном коде или с последовательностью добавления/сдвигов. Обычно эта часть не стоит беспокоиться.