问题描述
我正在开发一个生物信息学工具，我正在尝试使用 SIMD 来提高它的速度。
给定两个长度为 16 的字符数组，我需要快速计算字符串匹配的索引数量。例如，以下两个字符串“TTTTTTTTTTTTTTTT”和“AAAAGGGGTTTTCCCC”从第 9 到第 12 个位置（“TTTT”）匹配，因此输出应为 4。
如下面的函数 foo（工作正常但速度慢）所示，我将 seq1 和 seq2 中的每个字符打包到 __m128i 变量 s1 和 s2 中，并使用 _mm_cmpeq_epi8 同时比较每个位置。然后，使用 popcnt128（来自 Marat Dukhan 的 Fast counting the number of set bits in __m128i register）将匹配位数相加。
float foo(char* seq1,char* seq2) {
__m128i s1,s2,ceq;
int match;
s1 = _mm_load_si128((__m128i*)(seq1));
s2 = _mm_load_si128((__m128i*)(seq2));
ceq = _mm_cmpeq_epi8(s1,s2);
match = (popcnt128(ceq)/8);
return match;
}
尽管 Marat Dukhan 的 popcnt128 比将 __m128i 中的每一位天真地相加要快得多，但 __popcnt128() 是该函数中最慢的瓶颈，占用了大约 80% 的计算速度。所以，我想提出一个 popcnt128 的替代方案。
我尝试将 __m128i ceq 解释为字符串，并将其用作预计算查找表的键，该表将字符串映射到总位数。如果 char 数组是可散列的，我可以做类似的事情
union{__m128i ceq; char c_arr[16];}
match = table[c_arr] // table = unordered map
如果我尝试对字符串执行类似的操作（即 union{__m128i ceq; string s;};），我会收到以下错误消息“::()”被隐式删除，因为默认定义格式错误。当我尝试其他事情时，我遇到了分段错误。
有什么方法可以告诉编译器将 __m128i 作为字符串读取，以便我可以直接使用 __m128i 作为 unordered_map 的键？我不明白为什么它不应该工作，因为字符串是一个连续的字符数组，它可以自然地由 __m128i 表示。但我无法让它工作，也无法在网上找到任何解决方案。
解决方法
您可能正在为更长的序列、多个 SIMD 数据向量执行此操作。在这种情况下，您可以在一个向量中累积计数，而这些计数只能在最后相加。 分别对每个向量进行 popcount 的效率要低得多。
请参阅 How to count character occurrences using SIMD - 而不是 _mm256_set1_epi8(c); 来搜索特定字符，从另一个字符串加载。其他的都一样，包括counts = _mm_sub_epi8(counts,_mm_cmpeq_epi8(s1,s2));
在内循环中，循环展开。 （比较结果是整数 0 / -1，因此减去它会将 0 或 1 添加到另一个向量。）这在 256 次迭代后有溢出的风险，因此最多执行 255 次。该链接问题使用 AVX2，但 {{ 1}} 版本的这些内在函数只需要 SSE2。 （当然，AVX2 会让你每条向量指令完成两倍的工作。）
使用__m128i对外循环中的字节计数器进行水平求和，然后累加到另一个计数向量中。 同样，这都在链接的问答中的代码中，所以只需复制/粘贴它并将另一个字符串的负载添加到内部循环中，而不是使用广播常量。
对于单个向量：
您不需要计算_mm_sad_epu8(v,_mm_setzero_si128());中的所有位；通过将每个元素的 1 位提取为标量整数，利用每个字节中的所有 8 位都相同的事实。 （x86 SIMD 可以有效地做到这一点，与其他一些 SIMD ISA 不同）
__m128i另一个可能选项是 count = __builtin_popcnt(_mm_movemask_epi8(cmp_result));
对 0（比较结果中的字节总和），但这需要 qword 对半的最终 hsum 步骤，因此这将比 HW 更糟糕弹出窗口。但是，如果您无法使用 psadbw 进行编译，那么如果您只需要 SSE2 的基线 x86-64，则值得考虑。 （另外你需要在psadbw之前取反，或者将总和缩小1/255......）
（请注意，psadbw 策略基本上是我在答案的第一部分中描述的内容，但仅针对单个向量，没有利用将多个计数廉价地添加到一个向量累加器中的能力。）
如果您确实需要将结果作为 -mpopcnt，那么这会使 float 策略不那么糟糕：您可以始终将值保留在 SIMD 向量中，使用 psadbw 来执行水平总和结果的压缩转换（甚至比 _mm_cvtepi32_ps int->float 标量转换便宜）。 cvtsi2ss 是免费的；标量浮点数只是 XMM 寄存器的低位元素。
但是说真的，你真的需要一个整数作为_mm_cvtps_f32 现在吗？你不能至少等到你有所有的总和向量，还是保持整数？
float 由 -mpopcnt 或 gcc -msse4.2 隐含于任何小于 10 年的事物。 Core 2 缺少硬件 popcnt，但 Nehalem 为 Intel 提供了它。