有效计算 int16 流中的水平对平均值

Question

给定一系列一对

int16_t

。每对中的第一项是左声道样本，第二项是右声道样本。我想让它们成为单声道：

mono = (left + right) / 2

并且不想失去哪怕一丁点。 以下程序可以满足我的要求（我很确定）：

#include <type_traits>
#include <cstdint>

#include <fmt/format.h>
#include <fmt/ranges.h>

#include <x86intrin.h>

int main()
{
    constexpr auto step = sizeof(__m128i) / sizeof(uint16_t);
    alignas(__m128i) uint16_t input[4 * step];
    uint16_t i = 0;
    for (uint16_t & x : input) {
        x = 1 + 2 * i++;
    }
    alignas(__m256i) uint16_t result[std::extent_v<decltype(input)> / 2];
    for (size_t i = 0; i < std::extent_v<decltype(input)>; i += 4 * step) {
        __m256 vec0 = _mm256_cvtepi16_epi32(_mm_load_si128((const __m128i *)(input + i + 0 * step)));
        __m256 vec1 = _mm256_cvtepi16_epi32(_mm_load_si128((const __m128i *)(input + i + 1 * step)));
        __m256i sum01 = _mm256_hadd_epi32(vec0, vec1);
        __m256i mean01 = _mm256_srai_epi32(_mm256_permute4x64_epi64(sum01, _MM_SHUFFLE(3, 1, 2, 0)), 1);

        __m256 vec2 = _mm256_cvtepi16_epi32(_mm_load_si128((const __m128i *)(input + i + 2 * step)));
        __m256 vec3 = _mm256_cvtepi16_epi32(_mm_load_si128((const __m128i *)(input + i + 3 * step)));
        __m256i sum23 = _mm256_hadd_epi32(vec2, vec3);
        __m256i mean23 = _mm256_srai_epi32(_mm256_permute4x64_epi64(sum23, _MM_SHUFFLE(3, 1, 2, 0)), 1);

        _mm256_store_si256((__m256i *)(result + i / 2), _mm256_permute4x64_epi64(_mm256_packs_epi32(mean01, mean23), _MM_SHUFFLE(3, 1, 2, 0)));
    }
    fmt::println("{}", fmt::join(result, ", "));
}

但是

clang

从主干（对于

-mavx2

）生成的代码似乎被movs过载了：https://godbolt.org/z/cc9v1846n

这是否正常，对性能没有显着影响吗？如果我将其重写为例如，我可以获得多少性能改进？内联汇编与手动寄存器管理？

Answer 1

首先，您需要在启用优化的情况下进行编译，否则编译器生成的 asm 完全是一场灾难，尤其是对于需要优化的内置函数的内联包装函数，即使在

之后，其参数和返回值变量也被优化掉了。 force_inline

。

---

你可以使用

pmaddwd

(

_mm256_madd_epi16

) 具有

set1_epi16(1)

的常量乘法器，以使用单个 uop 获得水平对的 32 位和，而不是使用 2 个转换和 3-uop

hadd

指令 (2随机播放加上垂直加法）。

这为您提供了版本中的

__m256i sum01

变量（来自一个 256 位负载和

_mm256_madd_epi16(v, _mm256_set1_epi16(1))

，除了按顺序排列的元素，而不是 256 位

hadd

的通道内行为。因此将其打包回去移位后降至 16 位元素不能仅使用

vpackssdw

。

---

另一种选择：

pavgw

垂直工作，但您可能可以为其构建 2 个输入，其工作量比扩展和洗牌所需的工作量要少。 但是

_mm256_avg_epu16

适用于无符号16位整数，并且您需要有符号，您可以通过与0x8000进行异或运算（即减去INT16_MIN）将范围转移到无符号，然后对无符号平均值执行相同的操作将其移回。

pavgw

(x + y + 1) >> 1

更像是舍入到最接近的值，而不是除以 2 时的截断。

---

取决于您需要/想要什么，我不确定

vpmaddwd

或

vpavgw

中哪一个最终会更有效；诀窍在于优化之前和/或之后的交叉车道洗牌。