问任意步长的avx512步长聚类

EN

大步步长为1,2,4,8

不，没有特别的支持；也许你在考虑ARM/ARM 64霓虹灯vld4 4路分离？

在x86中，您可以使用1,2,4或8作为vpgatherdd / vpgatherdps索引向量的比例因子，但是如果您只想要每2个元素，最好是手动洗牌(例如，_mm512_permutex2var_ps从2个输入向量中获取备用浮点数)，在一个大负载下获得许多有用的元素，而不是每个元素访问一次缓存。

但在你的例子中，以10的最小步幅，最多2个元素将来自相同的16x32位512位矢量，而且每个向量的步幅更宽甚至不是一个。

因此，您可以在循环中使用vpgatherdps和_mm512_add_epi32(idx, _mm512_set1_epi32(16 * stride))。或更高版本，只需使用一个固定的索引向量并增加基本指针。，您可以使用_mm512_mullo_epi32(_mm512_setr_epi32(0,1,2,3,...,15), _mm512_set1_epi32(stride))生成该索引向量。因为浮点数是4个字节宽，所以在您的集合中使用4的缩放因子。

即使需要处理巨大的数组，增加指针而不是向量元素也避免了对64位索引的任何需求，同时也减少了向量uop的数量。(在当前CPU上使用512位向量时很有价值。)

IIRC，英特尔的优化手册有一个章节，关于跨越式负载和在手动收集和使用收集指令的权衡。收集指令变得相对更好，你的矢量越宽(2/时钟负载吞吐量，但只有1/时钟洗牌吞吐量对大多数洗牌)，因此，特别是对512位向量，它很可能是胜利使用矢量洗牌。