是否有任何 asm 指令可以加快 Core i7 架构上双精度/整数向量的最小值/最大值的计算？
更新：
没想到答案这么丰富，谢谢。 所以我看到 max/min 可以在没有分支的情况下完成。 我有一个子问题：
有没有一种有效的方法来获取数组中最大双精度数的索引？
【问题讨论】：
标签： assembly x86 intrinsics
SSE4 有 PMAXSD 或 PMAXUD 用于 32 位有符号/无符号整数，这可能很有用。
SSE2 有MAXPD 和MAXSD，它们在成对的双精度之间进行比较，因此您可以按照 n/2-1 MAXPD 和一个 MAXSD 来获得 n 向量的最大值，并使用通常的交错加载和操作。
上面有 MIN 等价物。
对于双重情况，您在汇编程序中的表现可能不会比在 SSE 模式下的半体面 C++ 编译器做得更好：
peregrino:$ g++ -O3 src/min_max.cpp -o bin/min_max
peregrino:$ g++ -O3 -msse4 -mfpmath=sse src/min_max.cpp -o bin/min_max_sse
peregrino:$ time bin/min_max
0,40
real 0m0.874s
user 0m0.796s
sys 0m0.004s
peregrino:$ time bin/min_max_sse
0,40
real 0m0.457s
user 0m0.404s
sys 0m0.000s
其中 min_max 使用简单循环计算 500 个数组的最小值和最大值 100,000 次：
bool min_max ( double array[], size_t len, double& min, double& max )
{
double min_value = array [ 0 ];
double max_value = array [ 0 ];
for ( size_t index = 1; index < len; ++index ) {
if ( array [ index ] < min_value ) min_value = array [ index ];
if ( array [ index ] > max_value ) max_value = array [ index ];
}
min = min_value;
max = max_value;
}
针对第二部分，从最大操作中删除分支的传统优化是比较值，将标志作为单个位（给出 0 或 1），减一（给出 0 或 0xffff_ffff）和 'and ' 它与两个可能结果的异或，所以你得到相当于( a > best ? ( current_index ^ best_index ) : 0 ) ^ best_index )。我怀疑是否有一种简单的 SSE 方法可以做到这一点，仅仅是因为 SSE 倾向于对打包值而不是标记值进行操作；有一些水平索引操作，所以你可以尝试找到最大值，然后从原始向量中的所有元素中减去它，然后收集符号位，零符号位将对应于最大值的索引，但这可能除非您使用短裤或字节，否则不会有任何改进。
【讨论】：
MAXPD 有 3 或 4 个周期的延迟，但每个周期的吞吐量为 1，因此您需要编译器发出使用多个向量并在数组末尾组合它们的 asm。） clang 倾向于在自动执行此操作时执行此操作矢量化，但 gcc 通常仍然不会。
SSE 的 MAXPS 和 MINPS 都对压缩的单精度浮点数进行运算。 PMAXSW、PMINSW、PMAXUB 和 PMINUB 都对压缩的 8 位字（有符号或无符号）进行操作。请注意，它们按元素比较两个输入 SSE 寄存器或地址位置，并将结果存储到 SSE 寄存器或内存位置。
SSE2 版本的 MAXPS 和 MINPS 应该适用于双精度浮点数。
您使用什么编译器和优化标志？如果您的目标支持，gcc 4.0 及更高版本应自动矢量化操作，早期版本可能需要特定标志。
【讨论】：
如果您使用 Intel 的 IPP 库，您可以使用向量 statistical functions 来计算向量最小值/最大值（除其他外）
【讨论】：
回答您的第二个问题：在大多数平台上，有些库已经包含此操作（以及大多数其他简单向量操作）的优化实现。 使用它们。
vDSP_maxviD( ) 和 cblas_idamax( )
cblas_idamax( )
cblas_idamax( )，根据其出处可能会或可能不会进行良好调整；关心性能的用户通常会有一个很好的实现（或者可以被说服安装一个）【讨论】：
更新：我刚刚意识到你在第 2 部分中说的是“数组”，而不是“向量”。无论如何我都会把它留在这里，以防它有用。
re：第二部分：查找 SSE 向量中最大/最小元素的索引：
做一个水平最大值。对于 2 个 double 元素的 128b 向量，只需一个 shufpd + maxpd 即可将结果广播留给两个元素。
对于其他情况，当然会采取更多的步骤。有关想法，请参阅 Fastest way to do horizontal float vector sum on x86，将 addps 替换为 maxps 或 minps。 （但请注意，16 位整数是特殊的，因为您可以使用 SSE4 phminposuw。对于最大值，从 255 中减去）
在向量原始向量和每个元素都是最大值的向量之间进行压缩比较。
（pcmpeqq 整数位模式或通常的cmpeqpd 都适用于double 情况）。
int _mm_movemask_pd (__m128d a) (movmskpd) 以整数位图的形式获取比较结果。bsf）它的（第一个）匹配：index = _bit_scan_forward(cmpmask)。如果您使用整数比较，则 cmpmask = 0 是不可能的（因为至少有一个元素会匹配，即使它们是 NaN）。这应该只编译为 6 条指令（包括 movapd）。是的，刚刚在the Godbolt compiler explorer 上进行了检查，SSE 确实如此。
#include <immintrin.h>
#include <x86intrin.h>
int maxpos(__m128d v) {
__m128d swapped = _mm_shuffle_pd(v,v, 1);
__m128d maxbcast = _mm_max_pd(swapped, v);
__m128d cmp = _mm_cmpeq_pd(maxbcast, v);
int cmpmask = _mm_movemask_pd(cmp);
return _bit_scan_forward(cmpmask);
}
请注意_mm_max_pd is not commutative with NaN inputs。如果 NaN 是可能的，并且您不关心 Intel Nehalem 的性能，您可以考虑使用 _mm_cmpeq_epi64 来比较位模式。不过，从 float 到 vec-int 的旁路延迟是 Nehalem 的一个问题。
NaN != IEEE 浮点中的 NaN，因此在全 NaN 情况下，_mm_cmpeq_pd 结果掩码可能全为零。
在 2 元素的情况下，您可以做的另一件事总是得到 0 或 1 是用cmpmask >> 1 替换位扫描。 （bsf 在 input = 全零时很奇怪）。
【讨论】：
在回答您的第二个问题时，您可能值得考虑一下您收集和存储这些数据的方式。
您可以将数据存储在始终保持数据排序的 B 树中，只需要对数比较操作。
那么你随时都知道最大值在哪里。
【讨论】：