在骑士登陆时清除一个或几个ZMM注册表最有效的方法是什么？

Question

比如说，我想清除4个zmm寄存器。

下面的代码会提供最快的速度吗？

vpxorq  zmm0, zmm0, zmm0
vpxorq  zmm1, zmm1, zmm1
vpxorq  zmm2, zmm2, zmm2
vpxorq  zmm3, zmm3, zmm3

在AVX2上，如果我想清除YMM寄存器，VPXOR是最快的，比VXORPS快，因为VPXOR可以在多个单元上运行。

在AVX512上，ZMM寄存器没有VPXOR，只有VPXORQ和VPXORD。这是清除登记簿的有效方法吗？当我用vpxorq清除ZMM寄存器之前的值时，CPU是否足够聪明，不会对它们产生错误的依赖关系？

我还没有一个物理AVX512 CPU来测试--也许有人在骑士登陆上测试过？是否有发布的延迟

Answer 1

最有效的方法是利用AVX隐式归零到VLMAX（最大向量寄存器宽度，由XCR0的当前值决定）：

vpxor  xmm6, xmm6, xmm6
vpxor  xmm7, xmm7, xmm7
vpxor  xmm8, xmm0, xmm0   # still a 2-byte VEX prefix as long as the source regs are in the low 8
vpxor  xmm9, xmm0, xmm0

这些指令只有4个字节（2个字节的VEX前缀），而不是6个字节（4个字节的EVEX前缀）。请注意，即使目标是XMM8-XMM15，也使用了低8中的源寄存器来允许2字节的VEX。（当第二个源reg为x/ymm8-15时，需要一个3字节的VEX前缀）。是的，只要两个源操作数是相同的寄存器（我测试了它在Skylake上不使用执行单元），这仍然被认为是归零习惯用法。

除了代码大小影响之外，性能与Skylake-AVX512和KNL上的vpxord/q zmm和vxorps zmm相同。（代码越小越好。）但是请注意，KNL有一个非常弱的前端，最大解码吞吐量只能勉强饱和向量执行单元，根据Agner Fog的microarch指南，通常是瓶颈。（它没有uop缓存或循环缓冲区，每个时钟的最大吞吐量为2条指令。而且，每个周期的平均读取吞吐量限制在16B。）

vpxor   xmm14, xmm0, xmm0
vpxor   xmm15, xmm0, xmm0
vpxord  zmm16, zmm16, zmm16     # or XMM if you already use AVX512VL for anything
vpxord  zmm17, zmm17, zmm17

EVEX前缀是固定宽度的，所以使用ZMM0不会有任何好处。

如果目标支持AVX512VL(Skylake-AVX512但不支持KNL)，那么您仍然可以使用VPXORD xmm31,...，以便在将来将512B指令解码为多个UOP的CPU上获得更好的性能。

如果您的目标具有AVX512DQ(Skylake-AVX512但不是KNL)，那么在为FP数学指令创建输入时使用vxorps，或者在任何其他情况下使用vpxord可能是个好主意。对Skylake没有影响，但一些未来的CPU可能会关心。如果总是使用vpxord更容易，就不必担心这个问题。

vpternlogd/q的这种特例在KNL或Skylake-AVX512上不是独立的特例，所以请尝试选择一个冷寄存器。不过，在SKL-AVX512上它是相当快的：根据我的测试，每时钟吞吐量为2。（如果您需要多个regs，请使用vpternlogd并复制结果，特别是如果您的代码将在Skylake上运行，而不仅仅是在KNL上运行）。

我选择了32位元素大小(vpxord而不是vpxorq)，因为32位元素大小被广泛使用，如果一个元素大小要变慢，通常不是32位元素大小慢。例如，pcmpeqq xmm0,xmm0比Silvermont上的pcmpeqd xmm0,xmm0慢得多。pcmpeqw是生成all-one向量（前AVX512)的另一种方式，但gcc选择pcmpeqd。我很肯定，对于XOR归零，尤其是在没有掩码寄存器的情况下，这不会有什么不同，但如果您正在寻找选择VPXORD或VPXORQ之一的理由，这是一个很好的理由，除非有人在任何AVX512硬件上发现真正的性能差异。

有趣的是，gcc选择vpxord，但是vmovdqa64而不是vmovdqa32。

XOR归零在英特尔SNB系列CPU上根本不使用执行端口，包括Skylake-AVX512。（Todo：将其中一些内容纳入答案，并对其进行其他更新。）

但是在KNL上，我很确定XOR零化需要一个执行端口。两个向量执行单元通常可以跟上前端，因此在发出/重命名阶段处理XOR零化在大多数情况下不会产生性能差异。根据Agner Fog的测试，VMOVDQA64/VMOVAPS需要一个端口（更重要的是具有非零延迟），因此我们知道它不能处理问题/重命名阶段的端口。（它可以像Sandybridge一样，消除XOR零化，但不会移动。但我对此表示怀疑，因为没有什么好处。）

正如Cody指出的，Agner Fog的表表明，KNL在FP0/1上运行vxorps/d和vpxord/q，吞吐量和延迟相同，假设它们确实需要端口。我假设这只适用于xmm/ymmvxorps/d，除非Intel的文档出错，并且EVEXvxorps zmm可以在KNL上运行。

Skylake上的旁路延迟延迟取决于它选择的端口，而不是使用的指令。也就是说，vaddps读取vandps的结果会有额外的延迟周期，如果vandps被调度到p0或p1而不是P5。有关表格，请参见英特尔的优化手册。更糟糕的是，这种额外的延迟永远适用，即使结果在读取之前在寄存器中存在数百个周期。它影响从另一个输入到输出的dep链，所以在这种情况下它仍然很重要。（托多：把我的实验结果写出来，贴在某个地方。）