sse - AVX2:U8绝对差

我是 AVX 的新手(来自 ARM NEON)，并且对 AVX 缺少许多 U8 算法感到非常惊讶，它们之间缺少绝对差异。

因此我不得不求助于带有内联函数的 max(a,b)-min(a,b):

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

我很好奇是否有更有效的方法来处理这个问题。

是的，我知道 _mm256_sad_epu8 ，但我需要差异本身，而不是总和。

我很感激任何输入，并且可以使用 AVX2 ，不考虑任何向后兼容性。

提前致谢。

最佳答案

我不知道只用 2 个或更少的指令就可以做到这一点的任何技巧。 (这个问题的 SSE 版本也没有更好的: Compute the absolute difference between unsigned integers using SSE )。它确实提到了我在这个答案中使用的饱和方法。

在 Skylake 之前稍微好一点:用无符号饱和度减去两种方式，然后对结果进行 OR 运算。 (对于每个元素，a-b 或 b-a 饱和为零。)
_mm256_or_si256(_mm256_subs_epu8(a,b), _mm256_subs_epu8(b,a))
在 Haswell 上，pmin/pmax 和 psub 只运行在端口 1 或端口 5，但 por 可以运行在三个向量执行端口(0、1、5)中的任何一个。

Skylake 添加了第三个向量整数加法器，因此该 uarch 没有区别。 (请参阅 http://agner.org/optimize/ 和 x86 标签维基中的其他链接，包括英特尔的优化手册。)

这在锐龙上也稍微好一些，其中 VPOR 可以在任何 P0123 上运行，但是根据 Agner Fog 的测试，PADD/PMIN 只能在 P013 上运行。 (Ryzen 将 256b 向量操作拆分为 2 个 uop，但它具有可用的吞吐量。它无法仅使用单 uop 指令填充其 6 uop 宽管道。)

可以在更多端口上运行的 Uop 不太可能在等待分配的端口(资源冲突)时延迟，因此您实际上更有可能因此获得 2 个周期的总延迟(从两个输入准备就绪到输出准备就绪) .如果存在对特定端口的竞争(例如端口 5，它在 Intel Haswell 及更高版本上具有唯一的随机播放单元)，它们也不太可能导致吞吐量瓶颈。

关于sse - AVX2:U8绝对差，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/46968847/