问题标签 [avx512]

混合 VEX 编码指令和非 VEX 指令是一个已知问题，程序员必须意识到这一点。

有一些这样的问题和答案。解决方案取决于您的编程方式（通常您应该zeroupper在转换后使用。但我的问题是关于 EVEX 编码方案。就没有内在函数而言，_mm512_zeroupper()使用 VEX 编码和 EVEX- 时似乎没有惩罚一起编码的指令。然而 EVEX 是 4 字节，VEX 是 3 字节，向量长度分别是 512 位和 256 位。

因为 AVX-512 不可用（至少对我来说）。我想问当我们想要混合它们时是否有什么需要注意的。

AVX-512 标准包含许多扩展，只有一个（AVX-512F）是强制性的。新的 Skylake-X（Core i9、79xxX/XE）CPU 究竟支持什么？关于 AVX 的 Wikipedia 页面有关于 Skylake Xeon CPU (E5-26xx V5) 的详细信息，但没有关于 i9 的详细信息。谷歌也不是很有帮助。我还尝试为此 CPU 搜索 /proc/cpuinfo 的一些转储，但没有运气。

我有一个 __mmask64 掩码寄存器，我需要将它分成 4 个 __mmask16 掩码寄存器。

我（错误地）假设以下代码行可以解决问题：

但我得到（英特尔 c++ 编译器 18.0）：

由于英特尔内部指南没有类似 _mm512_kshift(k, imm8) 的内容，例如 _mm512_kand 的定义只是：

#define _mm512_kand(k1, k2) ((__mmask16) ((k1) & (k2)))

我认为换档会给我一个KSHIFTRW。

问题：如何使用 C++ 生成 KSHIFTRW。

编辑：我刚刚找到了一个相关的问题，答案很充分：Missing AVX-512 intrinsics for mask?

什么时候可以调用xsavesand xsaves64？

使用英特尔软件开发模拟器（8.12.0-2017-10-23），我可以毫无问题地xsaves64 + xrstors64从用户空间使用，但尝试使用xsaves + xrstors会产生：

这同样适用于xsavec，它产生：

64 位模式的非_64变体xsave_和不允许使用吗？xrstor_

我对掩蔽在理论上可以对分支做什么感到困惑。假设我有一个 Skylake-SP（哈，我希望..），我们忽略了编译器功能，这在理论上是可能的：

如果分支条件依赖于静态标志，并且所有分支都将数组设置为计算结果，假设编译器无论如何都不会将其优化为两个单独的循环，它可以向量化吗？

如果仅作为分支的子集设置有问题的值，它可以向量化吗？

如果分支条件本身依赖于向量数据，它可以向量化吗？

我有很多变量（7 个或更多）的真值表，我使用工具（例如逻辑星期五 1）来简化逻辑公式。我可以手动完成，但这太容易出错了。然后我将这些公式转换为运行良好的编译器内在函数（例如_mm_xor_epi32）。

问题：使用vpternlog我可以进行三元逻辑运算。但是我不知道有一种方法可以将我的真值表简化为（有点）有效的 vpternlog 指令序列。

我不是在问是否有人知道一种可以简化为任意三元逻辑运算的工具，尽管那会很棒，但我正在寻找一种方法来进行这种简化。

编辑：我问了一个关于电气工程的类似问题。

在为 AVX256、AVX512 和有一天 AVX1024 设计前瞻性算法并考虑到大 SIMD 宽度的完全通用置换的潜在实现复杂性/成本时，我想知道即使在 AVX512 内通常保持隔离的 128 位操作是否更好？

特别是考虑到 AVX 有 128 位单元来执行 256 位操作。

为此，我想知道所有 512 位向量中的 AVX512 置换类型操作与 512 位向量的每个 4x128 位子向量中的置换类型操作之间是否存在性能差异？

我试图找到潜在阶乘素数的除数（n!+-1 形式的数），因为我最近购买了 Skylake-X 工作站，我认为使用 AVX512 指令可以加快速度。

算法简单，主要步骤是对同一个除数重复取模。主要是循环大范围的 n 值。这是用 c 编写的幼稚方法（P 是素数表）：

这里的想法是针对同一组除数检查大范围的 n，例如 1,000,000 -> 10,000,000。所以我们将对同一个除数取模数百万次。使用 DIV 非常慢，因此根据计算范围有几种可能的方法。在我的例子中，n 很可能小于 10^7，潜在除数 p 小于 10,000 G (< 10^13)，所以数字小于 64 位，也小于 53 位！最大残差 (p-1) 乘以 n 大于 64 位。所以我认为最简单的蒙哥马利方法不起作用，因为我们从大于 64 位的数字中取模。

我发现了一些用于 power pc 的旧代码，其中 FMA 用于在使用双精度时获得高达 106 位的精确乘积（我猜）。所以我将这种方法转换为 AVX 512 汇编器（英特尔内部）。这是 FMA 方法的简单版本，它基于 Dekker (1971) 的工作，Dekker 产品和 TwoProduct 的 FMA 版本在尝试查找/谷歌搜索背后的基本原理时是有用的词。在这个论坛中也讨论了这种方法（例如这里）。

在这里我使用了魔法常数

那是双打的 2^51 + 2^52 幻数。

我将其转换为 AVX512（每个循环 32 个潜在除数）并使用 IACA 分析结果。它告诉吞吐量瓶颈：由于分配资源不可用，后端和后端分配停滞不前。我对汇编程序不是很有经验，所以我的问题是我能做些什么来加快速度并解决这个后端瓶颈？

AVX512 代码在这里，也可以从github找到

AVX512 集中是否有原子 CAS 指令或等效指令？

我不能立即找到一个，但没有最好的谷歌 fu。

使用 sse2 或 avx 比较操作返回全零或全一的位掩码（例如 _mm_cmpge_pd 返回一个 __m128d。

我找不到 avx512 的等价物。比较操作似乎只返回短位掩码。语义是否发生了根本变化，还是我遗漏了什么？