zyl910

作者： zyl910

發(fā)現(xiàn).NET8增加了Arm架構(gòu)的多寄存器的查表函數(shù)（VectorTableLookup/VectorTableLookupExtension），這給編寫SIMD向量化算法帶來了方便。

一、指令說明

在學(xué)習(xí)Arm的AdvSimd（Neon）指令集時，發(fā)現(xiàn)它的Lookup（查表）功能，類似X86的Sse系列指令集中的字節(jié)Shuffle（換位。如 _mm_shuffle_epi8 ）功能。
而且Arm的Lookup不僅支持單個向量的查表，且支持多個向量的查表。具體來說，是2~4個向量。
單個向量查表（如 vqvtbl1q_u8）時，只能在 16字節(jié)（128位）的范圍內(nèi)進(jìn)行查表。而使用4個向量查表（如 vqtbl4q_u8 ）時，能在 16*4=64字節(jié)（512位）的范圍內(nèi)進(jìn)行查表。

.NET 5.0開始支持Arm的內(nèi)在函數(shù)，但當(dāng)時僅支持單個向量查表。
現(xiàn)在 .NET 8.0 補(bǔ)上了這個空缺。

二、API文檔的變化

對于AdvSimd.Arm64.VectorTableLookup 方法，.NET 5.0 的文檔是只有2個重載。

VectorTableLookup(Vector128<SByte>, Vector128<SByte>)    // int8x16_t vqvtbl1q_s8(int8x16_t t, uint8x16_t idx)
VectorTableLookup(Vector128<Byte>, Vector128<Byte>)    // uint8x16_t vqvtbl1q_u8(uint8x16_t t, uint8x16_t idx)

到了.NET 8.0 ，文檔多了6個重載。

VectorTableLookup(ValueTuple<Vector128<Byte>,Vector128<Byte>,Vector128<Byte>,Vector128<Byte>>, Vector128<Byte>)        // uint8x16_t vqtbl4q_u8 (uint8x16x4_t t、uint8x16_t idx)
VectorTableLookup(ValueTuple<Vector128<Byte>,Vector128<Byte>,Vector128<Byte>>, Vector128<Byte>)    // uint8x16_t vqtbl3q_u8 (uint8x16x3_t t、uint8x16_t idx)
VectorTableLookup(ValueTuple<Vector128<Byte>,Vector128<Byte>>, Vector128<Byte>)    // uint8x16_t vqtbl2q_u8 (uint8x16x2_t t、uint8x16_t idx)
VectorTableLookup(ValueTuple<Vector128<SByte>,Vector128<SByte>,Vector128<SByte>,Vector128<SByte>>, Vector128<SByte>)    // int8x16_t vqtbl4q_s8 (int8x16x4_t t、uint8x16_t idx)
VectorTableLookup(ValueTuple<Vector128<SByte>,Vector128<SByte>,Vector128<SByte>>, Vector128<SByte>)    // int8x16_t vqtbl3q_s8 (int8x16x3_t t、uint8x16_t idx)
VectorTableLookup(ValueTuple<Vector128<SByte>,Vector128<SByte>>, Vector128<SByte>)    // int8x16_t vqtbl2q_s8 (int8x16x2_t t、uint8x16_t idx)

可見，2、3、4個向量的查表功能都加上了了。隨后再區(qū)分一下 Byte/SByte 這2種類型，于是共增加了 3*2=6 個重載。

三、官方說明

查了一下，發(fā)現(xiàn)在官方博文《Arm64 Performance Improvements in .NET 8》（.NET 8 中的 Arm64 性能改進(jìn)）里有說明。
這一段內(nèi)容的機(jī)器翻譯如下。

VectorTableLookup 和 VectorTableLookupExtension
在 .NET 8 中，我們在System.Runtime.Intrinsics.Arm命名空間下添加了兩組新的 API：VectorTableLookup和 VectorTableLookupExtension。

      public static Vector64<byte> VectorTableLookup((Vector128<byte>, Vector128<byte>) table, Vector64<byte> byteIndexes);
      public static Vector64<byte> VectorTableLookup(Vector64<byte> defaultValues, (Vector128<byte>, Vector128<byte>) table, Vector64<byte> byteIndexes);

讓我們看一下每個 API 的示例。

// Vector128<byte> a = 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16
// Vector128<byte> b = 10, 20, 30, 40, 50, 60, 70, 80, 90, 100, 110, 120, 130, 140, 150, 160
// Vector64<byte> index = 3, 31, 4, 40, 18, 19, 30, 1

Vector64<byte> ans = VectorTableLookup((a, b), index);

// ans = 4, 160, 5, 0, 30, 40, 150, 2

在上面的示例中，向量 a 和 b 被視為一個表，共有 32 個條目（16 個來自 a，16 個來自 b），索引從 0 開始。如果索引超出范圍，例如在我們的示例中試圖訪問索引 40，API 將返回該超出范圍索引的值 0。

// Vector64<byte> d = 100, 200, 300, 400, 500, 600, 700, 800
// Vector128<byte> a = 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16
// Vector128<byte> b = 10, 20, 30, 40, 50, 60, 70, 80, 90, 100, 110, 120, 130, 140, 150, 160
// Vector64<byte> index = 3, 31, 4, 40, 18, 19, 30, 1

Vector64<byte> ans = VectorTableLookupExtension(d, (a, b), index);

// ans = 4, 160, 5, 400, 30, 40, 150, 2

與 VectorTableLookup相反，當(dāng)使用VectorTableLookupExtension方法時，如果索引超出有效范圍，則結(jié)果中的相應(yīng)元素將由參數(shù)中提供的defaultValues值確定。值得注意的是，這些 API 還有其他變體，它們也在 3 實體和 4 實體元組上運(yùn)行，為各種用例提供了靈活性。

在 dotnet/runtime#85189 中，@MihaZupan 利用此 API 優(yōu)化了 IndexOfAny，顯著提高了 30% 的性能。同樣，在 dotnet/runtime#87126 中，@SwapnilGaikwad 顯著增強(qiáng)了 Guid 格式化器的性能，實現(xiàn)了高達(dá) 40% 的性能提升。這些優(yōu)化表明，利用這一強(qiáng)大的 API 可以大幅提高性能。

四、X86平臺的對應(yīng)

X86的Sse、Avx系列指令集，僅支持單個向量查表。
直到Avx512系列指令集的出現(xiàn)，它增加了2個向量查表的指令 VPERMI2B。

.NET8.0也增加了對Avx512系列指令集的支持，便支持了該指令。

對于512位向量，可以使用 Avx512Vbmi 類中的方法。

PermuteVar64x8x2(Vector512<Byte>, Vector512<Byte>, Vector512<Byte>)    // __m512i _mm512_permutex2var_epi8 (__m512i a， __m512i idx， __m512i b)
PermuteVar64x8x2(Vector512<SByte>, Vector512<SByte>, Vector512<SByte>)    // __m512i _mm512_permutex2var_epi8 (__m512i a， __m512i idx， __m512i b)

對于128、256位向量，可以使用 Avx512Vbmi.VL 類中的方法。

PermuteVar16x8x2(Vector128<Byte>, Vector128<Byte>, Vector128<Byte>)    // __m128i _mm_permutex2var_epi8 (__m128i a，__m128i idx，__m128i b)
PermuteVar16x8x2(Vector128<SByte>, Vector128<SByte>, Vector128<SByte>)    // __m128i _mm_permutex2var_epi8 (__m128i a，__m128i idx，__m128i b)

PermuteVar32x8x2(Vector256<Byte>, Vector256<Byte>, Vector256<Byte>)    // __m256i _mm256_permutex2var_epi8 (__m256i a， __m256i idx， __m256i b)
PermuteVar32x8x2(Vector256<SByte>, Vector256<SByte>, Vector256<SByte>)    // __m256i _mm256_permutex2var_epi8 (__m256i a， __m256i idx， __m256i b)

參考文獻(xiàn)

• 《AdvSimd.Arm64.VectorTableLookup 方法》. https://learn.microsoft.com/zh-cn/dotnet/api/system.runtime.intrinsics.arm.advsimd.arm64.vectortablelookup?view=net-8.0
• 《Avx512Vbmi.PermuteVar64x8x2 方法》. https://learn.microsoft.com/zh-cn/dotnet/api/system.runtime.intrinsics.x86.avx512vbmi.permutevar64x8x2?view=net-8.0
• 《Avx512Vbmi.VL 類》. https://learn.microsoft.com/zh-cn/dotnet/api/system.runtime.intrinsics.x86.avx512vbmi.vl?view=net-8.0
• Kunal Pathak《Arm64 Performance Improvements in .NET 8》. https://devblogs.microsoft.com/dotnet/this-arm64-performance-in-dotnet-8/

使用范例

• zyl910《[C#] 24位圖像水平翻轉(zhuǎn)的跨平臺SIMD硬件加速向量算法的關(guān)鍵——YShuffleX3Kernel源碼解讀（如Avx2解決shuffle的跨lane問題、Avx512優(yōu)化等）》. http://www.rzrgm.cn/zyl910/p/18600979/VectorTraits_Sample_Image_ImageFlipXOn24bit_YShuffleX3Kernel