AVX2：U8の絶対的な相違

Question

私はAVX（ARM NEONから来たもの）の新人であり、AVXには多くのU8算術が欠けていることに驚いていました。

は、そのため私は、インライン関数でmax(a,b)-min(a,b)に頼らなければならなかった：

static inline __m256i _mm256_abd_epu8(__m256i a, __m256i b) 
{ 
    return _mm256_sub_epi8(_mm256_max_epu8(a, b), _mm256_min_epu8(a, b)); 
} 

この問題に対処するより効率的な方法がある場合、私は好奇心が強いです。

はい、私は_mm256_sad_epu8を認識していますが、私はその合計ではなく、違いが必要です。

私はどんな入力もありがとうと思います。AVX2では正常です。下位互換性は無視してください。

ありがとうございます。

Answer 1

2つ以下の命令でこれを行うには、何のトリックも知られていません。 （そして、この質問のSSE版は、より良いものもありません：Compute the absolute difference between unsigned integers using SSE）。私はこの答えで使用した飽和方法について言及しています。

---

少し前Skylakeマイクロアーキテクチャ上のよりよい：符号なし飽和との両方の方法、OR結果を引きます。 （各要素に対してゼロのいずれかAB又はBA飽和。）

ハズウエルで_mm256_or_si256(_mm256_subs_epu8(a,b), _mm256_subs_epu8(b,a))

/pmaxpminとpsubのみポート1またはポート5上で動作するが、por三のベクトル実行のいずれかで実行することができポート（0,1,5）。

Skylakeには3番目のベクトル整数加算器が追加されているため、そのuarchには違いはありません。 （インテルの最適化マニュアルを含むx86タグウィキ内http://agner.org/optimize/や他のリンクを参照してください。）

これはわずかに良いVPORはP0123のいずれかの上で実行することができRyzen、上にもあるが、PADD/PMINのみによるP013上で実行することができますAgner Fogのテスト。 （Ryzenは256bベクトル演算を2つのuopに分割しますが、それが有効であるためにはスループットがあり、1-uop命令だけを使って6-uopのワイドパイプを満たすことはできません）

ポートは割り当てられたポートを待つ（リソースの競合）可能性が低いため、実際には2サイクルの合計レイテンシを得る可能性が高くなります（両方の入力から出力が準備完了になる）。また、特定のポート（インテルHaswell以降のシャッフルユニットのみのポート5など）と競合する場合、スループットのボトルネックになる可能性は低くなります。