发布 VectorTraits v2.0（支持 x86的Sse系列指令集等）

标签：rt Mnemonic x86 v2.0 value Sse ref 向量 left

支持 x86的Sse系列指令集
为 Vector128/Vector256 补充全部的向量方法
提供CPU型号信息
提供所支持的指令集信息
新增了向量方法
增加目标框架 net8.0 与 netstandard2.1
提供固定长度的数组
- “固定长度的数组”的范例
- 备注：寻址方式说明
BitMath从静态类改为抽象类. 新增名称空间 Zyl.VectorTraits.Numerics
基准测试程序增加命令行参数
增加工具程序UpdateBenchmarkResults
算法优化
附录

VectorTraits已更新至 v2.0版。支持 x86的Sse系列指令集; 为 Vector128/Vector256 补充全部的向量方法; 还提供了浮点数判断(YIsNaN, YIsinfinity)、符号判断(YCopySign, YSign) 等原创的向量方法。

NuGet: https://www.nuget.org/packages/VectorTraits/2.0.0
源代码: https://github.com/zyl910/VectorTraits
在线文档: https://zyl910.github.io/VectorTraits_doc/

变更日志如下。

Major: Support for the X86 Sse family instruction set; supplement all vector methods for Vector128/Vector256; also provides innovative vector methods such as check floating number (YIsNaN, YIsInfinity), sign (YCopySign, YSign) (支持 x86的Sse系列指令集; 为 Vector128/Vector256 补充全部的向量方法; 还提供了浮点数判断(YIsNaN, YIsinfinity)、符号判断(YCopySign, YSign) 等原创的向量方法).
Provides the CPU model info (提供CPU型号信息). VectorEnvironment adds members: CpuModelName, CpuFlags, CpuDetectionCommand, CpuDetectionException, CpuDetectionResult .
Provides information about the supported instruction set (提供所支持的指令集信息). e.g. VectorEnvironment.SupportedInstructionSets, IBaseTraits.UsedInstructionSets
Supplement all vector methods for Vector128/Vector256 (为 Vector128/Vector256 补充全部的向量方法): Dot, Equals, EqualsAll, EqualsAny, GreaterThanAll, GreaterThanAny, GreaterThanOrEqual, GreaterThanOrEqualAll, GreaterThanOrEqualAny, LessThanAll, LessThanAny, LessThanOrEqual, LessThanOrEqualAll, LessThanOrEqualAny, Sqrt .
Provides the vector methods of bitwise operations (提供位运算的向量方法): YBitToByte, YBitToInt16, YBitToInt32, YBitToInt64, YOrNot .
Provides the vector methods of check floating number (提供浮点数判断的向量方法): YIsEvenInteger, YIsFinite, YIsInfinity, YIsInfinityOrNaN, YIsInteger, YIsNaN, YIsNegative, YIsNegativeZero, YIsNegativeInfinity, YIsNormal, YIsNotNaN, YIsOddInteger, YIsPositive, YIsPositiveInfinity, YIsSubnormal, YIsZero, YIsZeroOrSubnormal.
Provides the vector methods of check sign (提供符号判断的向量方法): YCopySign, YSign, YSignFloat .
Provides the vector methods of clamp (提供限制的向量方法): YMaxNumber, YMinNumber .
Provides the vector methods of compare (提供比较的向量方法): YIsAllTrue, YIsAnyTrue, YIsNotEquals.
VectorTraits.dll: Add TargetFrameworks net8.0 and netstandard2.1 (增加目标框架 net8.0 与 netstandard2.1 ).
Provides arrays of fixed length (提供固定长度的数组). e.g. FixedArray2, FixedArray4 ...
BitMath changed from static to abstract class. Add namespace Zyl.VectorTraits.Numerics, add some math functions (BitMath从静态类改为抽象类. 新增名称空间 Zyl.VectorTraits.Numerics, 增加一些的数学函数).
Benchmark programs add command line parameter (基准测试程序增加命令行参数): -accelerated0 -allowFakeBenchmark -cpuDetection0 -fixedVector0 -test0
Add tool program (增加工具程序): UpdateBenchmarkResults.
Optimized hardware acceleration of ExtractMostSignificantBits methods in the Arm architecture (优化ExtractMostSignificantBits方法在Arm架构的硬件加速). For 8~64 bit types.

完整列表: ChangeLog

支持 x86的Sse系列指令集

本库已经支持了x86架构的Sse系列指令集。既：Sse, Sse2, Sse3, Ssse3, Sse41, Sse42。
在X86架构上使用128位向量（Vector128、128位时的Vector）时，现在能充分获得硬件加速。

为 Vector128/Vector256 补充全部的向量方法

相关日志:

Supplement all vector methods for Vector128/Vector256 (为 Vector128/Vector256 补充全部的向量方法): Dot, Equals, EqualsAll, EqualsAny, GreaterThanAll, GreaterThanAny, GreaterThanOrEqual, GreaterThanOrEqualAll, GreaterThanOrEqualAny, LessThanAll, LessThanAny, LessThanOrEqual, LessThanOrEqualAll, LessThanOrEqualAny, Sqrt .

对于固定长度的向量类型（Vector128/Vector256），在v1.0版时只是提供了常用的向量方法。
而现在v2.0版，已经补充全部的向量方法。已经覆盖了 .NET 7.0中所有运算类的向量方法。例如 Dot, Equals, EqualsAll, EqualsAny 等.

这些向量方法的清单如下。

Dot①: Computes the dot product of two vectors (计算两个向量的点积).
Mnemonic: rt := left[0]*right[0] + left[1]*right[1] + left[2]*right[2] + ... + left[Count-1]*right[Count-1] .
Equals: Compares two vectors to determine if they are equal on a per-element basis (比较两个向量，确定它们每个元素是否相等).
Mnemonic: rt[i] := to_mask(left[i] == right[i]).
EqualsAll: Compares two vectors to determine if all elements are equal (比较两个向量以判定所有元素是否相等).
Mnemonic: rt := (left[0] == right[0]) && (left[1] == right[1]) && ... && (left[Count-1] == right[Count-1]).
EqualsAny: Compares two vectors to determine if any elements are equal (比较两个向量以判定任一元素是否相等).
Mnemonic: rt := (left[0] == right[0]) || (left[1] == right[1]) || ... || (left[Count-1] == right[Count-1]).
GreaterThanAll: Compares two vectors to determine if all elements are greater (比较两个向量以判定所有元素是否大于).
Mnemonic: rt := (left[0] > right[0]) && (left[1] > right[1]) && ... && (left[Count-1] > right[Count-1]).
GreaterThanAny: Compares two vectors to determine if any elements are greater (比较两个向量以判定任一元素是否大于).
Mnemonic: rt := (left[0] > right[0]) || (left[1] > right[1]) || ... || (left[Count-1] > right[Count-1]).
GreaterThanOrEqual: Compares two vectors to determine which is greater or equal on a per-element basis (比较两个向量，在每个元素的基础上确定哪个更大或等于).
Mnemonic: rt[i] := to_mask(left[i] >= right[i]).
GreaterThanOrEqualAll: Compares two vectors to determine if all elements are greater or equal (比较两个向量以判定所有元素是否大于或等于).
Mnemonic: rt := (left[0] >= right[0]) && (left[1] >= right[1]) && ... && (left[Count-1] >= right[Count-1]).
GreaterThanOrEqualAny: Compares two vectors to determine if any elements are greater or equal (比较两个向量以判定任一元素是否大于或等于).
Mnemonic: rt := (left[0] >= right[0]) || (left[1] >= right[1]) || ... || (left[Count-1] >= right[Count-1]).
LessThanAll: Compares two vectors to determine if all elements are less (比较两个向量以判定所有元素是否小于).
Mnemonic: rt := (left[0] < right[0]) && (left[1] < right[1]) && ... && (left[Count-1] < right[Count-1]).
LessThanAny: Compares two vectors to determine if any elements are less (比较两个向量以判定任一元素是否小于).
Mnemonic: rt := (left[0] < right[0]) || (left[1] < right[1]) || ... || (left[Count-1] < right[Count-1]).
LessThanOrEqual: Compares two vectors to determine which is less or equal on a per-element basis (比较两个向量，在每个元素的基础上确定哪个更小或等于).
Mnemonic: rt[i] := to_mask(left[i] <= right[i]).
LessThanOrEqualAll: Compares two vectors to determine if all elements are less or equal (比较两个向量以判定所有元素是否小于或等于).
Mnemonic: rt := (left[0] <= right[0]) && (left[1] <= right[1]) && ... && (left[Count-1] <= right[Count-1]).
LessThanOrEqualAny: Compares two vectors to determine if any elements are less or equal (比较两个向量以判定任一元素是否小于或等于).
Mnemonic: rt := (left[0] <= right[0]) || (left[1] <= right[1]) || ... || (left[Count-1] <= right[Count-1]).
Sqrt①: Computes the square root of a vector on a per-element basis (计算向量中每个元素的平方根).
Mnemonic: rt[i] := sqrt(vector[i]) = pow(vector[i], 1.0/2). When x is less than 0, floating-point types return NaN, integer types return 0.

注：①表示这些方法也适用于不定长度的向量类型Vector. 因发现Vector的这些方法中, 部分元素类型没能提供硬件加速。

提供CPU型号信息

相关日志:

Provides the CPU model info (提供CPU型号信息). VectorEnvironment adds members: CpuModelName, CpuFlags, CpuDetectionCommand, CpuDetectionException, CpuDetectionResult .

在使用向量方法时，很多时候我们想知道CPU型号信息，但BCL未提供办法。于是v2.0版提供了查看CPU型号信息的属性，且支持 Windows/Linux/Mac 这3大主流操作系统。

VectorEnvironment类提供了这些成员。

CpuModelName: CPU型号名。例如 Intel(R) Core(TM) i5-8250U CPU @ 1.60GHz, Neoverse-N1。
CpuFlags: CPU特征标志。目前仅Linux操作系统上有值，它就是lscpu命令所返回的flags字段。例如Neoverse-N1的该属性为 fp asimd evtstrm aes pmull sha1 sha2 crc32 atomics fphp asimdhp cpuid asimdrdm lrcpc dcpop asimddp ssbs.
CpuDetectionCommand: CPU检测所用命令。不同操作系统（Windows/Linux/Mac）上，所用的命令不同。例如wmic。
CpuDetectionException: CPU检测时的最新异常。
CpuDetectionResult: CPU检测的原始返回值. 它与 CpuDetectionCommand 有关。

一般情况下直接使用VectorEnvironment的属性就行。范例代码如下。

writer.WriteLine("CpuModelName: {0}", VectorEnvironment.CpuModelName);
writer.WriteLine("CpuFlags: {0}", VectorEnvironment.CpuFlags);
writer.WriteLine("CpuDetectionException: {0}", VectorEnvironment.CpuDetectionException);
writer.WriteLine("CpuDetectionCommand: {0}", VectorEnvironment.CpuDetectionCommand);
writer.Write("CpuDetectionResult:\t");
VectorTextUtil.WriteLines(writer, VectorEnvironment.CpuDetectionResult);
writer.WriteLine();

只有有一种情况需要特殊处理。就是在 .NET Framework 4.5等低版本（低于.NET Framework 4.6.1）程序里使用本库时，此时使用的是 netstandard1.1的库，而 netstandard1.1未提供 System.Diagnostics.Process 类，会导致无法获取CPU信息的情况。
解决办法是是提前将 System.Diagnostics.Process 的类型赋值给一个属性。随后本库便可通过反射来使用该类，从而能正常获取CPU信息了。范例代码如下。

#if NETSTANDARD1_3_OR_GREATER || NETCOREAPP2_0_OR_GREATER || NET461_OR_GREATER
    // No need to set up `ProcessUtil.TypeOfProcess` properties. 
#else
    Zyl.VectorTraits.Impl.Util.ProcessUtil.TypeOfProcess = typeof(System.Diagnostics.Process);
#endif

结果范例1: X86 CPU on Windows

CpuModelName: Intel(R) Core(TM) i5-8250U CPU @ 1.60GHz
CpuFlags: 
CpuDetectionException:
CpuDetectionCommand: wmic


AddressWidth=64
Architecture=9
AssetTag=None
Availability=3
Caption=Intel64 Family 6 Model 142 Stepping 10
Characteristics=252
ConfigManagerErrorCode=
ConfigManagerUserConfig=
CpuStatus=1
CreationClassName=Win32_Processor
CurrentClockSpeed=1600
CurrentVoltage=11
DataWidth=64
Description=Intel64 Family 6 Model 142 Stepping 10
DeviceID=CPU0
ErrorCleared=
ErrorDescription=
ExtClock=100
Family=205
InstallDate=
L2CacheSize=1024
L2CacheSpeed=
L3CacheSize=6144
L3CacheSpeed=0
LastErrorCode=
Level=6
LoadPercentage=7
Manufacturer=GenuineIntel
MaxClockSpeed=1800
Name=Intel(R) Core(TM) i5-8250U CPU @ 1.60GHz
NumberOfCores=4
NumberOfEnabledCore=4
NumberOfLogicalProcessors=8
OtherFamilyDescription=
PartNumber=None
PNPDeviceID=
PowerManagementCapabilities=
PowerManagementSupported=FALSE
ProcessorId=BFEBFBFF000806EA
ProcessorType=3
Revision=
Role=CPU
SecondLevelAddressTranslationExtensions=TRUE
SerialNumber=None
SocketDesignation=U3E1
Status=OK
StatusInfo=3
Stepping=
SystemCreationClassName=Win32_ComputerSystem
SystemName=THINK1621
ThreadCount=8
UniqueId=
UpgradeMethod=51
Version=
VirtualizationFirmwareEnabled=TRUE
VMMonitorModeExtensions=TRUE
VoltageCaps=

结果范例2: Arm CPU on Linux

CpuModelName: Neoverse-N1
CpuFlags: fp asimd evtstrm aes pmull sha1 sha2 crc32 atomics fphp asimdhp cpuid asimdrdm lrcpc dcpop asimddp ssbs
CpuDetectionException: 
CpuDetectionCommand: lscpu
Architecture:                    aarch64
CPU op-mode(s):                  32-bit, 64-bit
Byte Order:                      Little Endian
CPU(s):                          2
On-line CPU(s) list:             0,1
Vendor ID:                       ARM
Model name:                      Neoverse-N1
Model:                           1
Thread(s) per core:              1
Core(s) per socket:              2
Socket(s):                       1
Stepping:                        r3p1
BogoMIPS:                        243.75
Flags:                           fp asimd evtstrm aes pmull sha1 sha2 crc32 atomics fphp asimdhp cpuid asimdrdm lrcpc dcpop asimddp ssbs
L1d cache:                       128 KiB (2 instances)
L1i cache:                       128 KiB (2 instances)
L2 cache:                        2 MiB (2 instances)
L3 cache:                        32 MiB (1 instance)
NUMA node(s):                    1
NUMA node0 CPU(s):               0,1
Vulnerability Itlb multihit:     Not affected
Vulnerability L1tf:              Not affected
Vulnerability Mds:               Not affected
Vulnerability Meltdown:          Not affected
Vulnerability Mmio stale data:   Not affected
Vulnerability Retbleed:          Not affected
Vulnerability Spec store bypass: Mitigation; Speculative Store Bypass disabled via prctl
Vulnerability Spectre v1:        Mitigation; __user pointer sanitization
Vulnerability Spectre v2:        Mitigation; CSV2, BHB
Vulnerability Srbds:             Not affected
Vulnerability Tsx async abort:   Not affected

结果范例3: Arm CPU on Mac OS

CpuModelName: Apple M2
CpuFlags: 
CpuDetectionException: 
CpuDetectionCommand: sysctl
kern.sched_rt_avoid_cpu0: 0
kern.cpu_checkin_interval: 4000
hw.ncpu: 8
hw.activecpu: 8
hw.perflevel0.physicalcpu: 4
hw.perflevel0.physicalcpu_max: 4
hw.perflevel0.logicalcpu: 4
hw.perflevel0.logicalcpu_max: 4
hw.perflevel0.cpusperl2: 4
hw.perflevel1.physicalcpu: 4
hw.perflevel1.physicalcpu_max: 4
hw.perflevel1.logicalcpu: 4
hw.perflevel1.logicalcpu_max: 4
hw.perflevel1.cpusperl2: 4
hw.physicalcpu: 8
hw.physicalcpu_max: 8
hw.logicalcpu: 8
hw.logicalcpu_max: 8
hw.cputype: 16777228
hw.cpusubtype: 2
hw.cpu64bit_capable: 1
hw.cpufamily: -634136515
hw.cpusubfamily: 2
machdep.cpu.cores_per_package: 8
machdep.cpu.core_count: 8
machdep.cpu.logical_per_package: 8
machdep.cpu.thread_count: 8
machdep.cpu.brand_string: Apple M2

提供所支持的指令集信息

相关日志:

Provides information about the supported instruction set (提供所支持的指令集信息). e.g. VectorEnvironment.SupportedInstructionSets, IBaseTraits.UsedInstructionSets

有了这些属性后，便能查看所支持的指令集了。

VectorEnvironment类提供了SupportedInstructionSets属性。用于获取本机所支持的指令。
许多类型（Vectors、Vector128s、Vector256s与IBaseTraits的派生类）提供了UsedInstructionSets属性。用于获取该向量类型所使用的指令。

注：多个指令集时，会使用分隔符。分隔符是逗号 ','。

结果范例1: X86 CPU on Windows

VectorEnvironment.CpuModelName:	Intel(R) Core(TM) i5-8250U CPU @ 1.60GHz
VectorEnvironment.SupportedInstructionSets:	Aes, Avx, Avx2, Bmi1, Bmi2, Fma, Lzcnt, Pclmulqdq, Popcnt, Sse, Sse2, Sse3, Ssse3, Sse41, Sse42, X86Base
Vector128s.Instance:	WVectorTraits128Avx2	// Sse, Sse2, Sse3, Ssse3, Sse41, Sse42, Avx, Avx2
Vector256s.Instance:	WVectorTraits256Avx2	// Avx, Avx2, Sse, Sse2
Vectors.Instance:	VectorTraits256Avx2	// Avx, Avx2, Sse, Sse2

注：“//” 后面的就是UsedInstructionSets属性的值。

结果范例2: Arm CPU on Linux

VectorEnvironment.CpuModelName:	Neoverse-N1
VectorEnvironment.CpuFlags:	fp asimd evtstrm aes pmull sha1 sha2 crc32 atomics fphp asimdhp cpuid asimdrdm lrcpc dcpop asimddp ssbs
VectorEnvironment.SupportedInstructionSets:	AdvSimd, Aes, ArmBase, Crc32, Sha1, Sha256
Vector128s.Instance:	WVectorTraits128AdvSimdB64	// AdvSimd
Vectors.Instance:	VectorTraits128AdvSimdB64	// AdvSimd

结果范例3: Arm CPU on Mac OS

VectorEnvironment.CpuModelName:	Apple M2
VectorEnvironment.SupportedInstructionSets:	AdvSimd, Aes, ArmBase, Crc32, Dp, Rdm, Sha1, Sha256
Vector128s.Instance:	WVectorTraits128AdvSimdB64	// AdvSimd
Vectors.Instance:	VectorTraits128AdvSimdB64	// AdvSimd

新增了向量方法

相关日志:

Provides the vector methods of bitwise operations (提供位运算的向量方法): YBitToByte, YBitToInt16, YBitToInt32, YBitToInt64, YOrNot .
Provides the vector methods of check floating number (提供浮点数判断的向量方法): YIsEvenInteger, YIsFinite, YIsInfinity, YIsInfinityOrNaN, YIsInteger, YIsNaN, YIsNegative, YIsNegativeZero, YIsNegativeInfinity, YIsNormal, YIsNotNaN, YIsOddInteger, YIsPositive, YIsPositiveInfinity, YIsSubnormal, YIsZero, YIsZeroOrSubnormal.
Provides the vector methods of check sign (提供符号判断的向量方法): YCopySign, YSign, YSignFloat .
Provides the vector methods of clamp (提供限制的向量方法): YMaxNumber, YMinNumber .
Provides the vector methods of compare (提供比较的向量方法): YIsAllTrue, YIsAnyTrue, YIsNotEquals.

位运算的向量方法

YBitToByte: Converts binary bits to each element of the Byte vector (将各个二进制位转换为 Byte 向量的每个元素). Bit 0 meaning is 0, bit 1 meaning is 1 for all bits (byte.MaxValue).
Mnemonic: rt[i] := to_mask(0 != ((value>>i)&1)) .
YBitToInt16: Converts binary bits to each element of the Int16 vector (将各个二进制位转换为 Int16 向量的每个元素). Bit 0 meaning is 0, bit 1 meaning is 1 for all bits (-1).
Mnemonic: rt[i] := to_mask(0 != ((value>>i)&1)) .
YBitToInt32: Converts binary bits to each element of the Int32 vector (将各个二进制位转换为 Int32 向量的每个元素). Bit 0 meaning is 0, bit 1 meaning is 1 for all bits (-1).
Mnemonic: rt[i] := to_mask(0 != ((value>>i)&1)) .
YBitToInt64: Converts binary bits to each element of the Int64 vector (将各个二进制位转换为 Int64 向量的每个元素). Bit 0 meaning is 0, bit 1 meaning is 1 for all bits (-1).
Mnemonic: rt[i] := to_mask(0 != ((value>>i)&1)) .

注：YBitToByte 等方法，是 ExtractMostSignificantBits 方法的逆运算。

浮点数判断的向量方法

YIsEvenInteger: Determines if a element represents an even integral number (确定元素是否为偶数整数).
Mnemonic: rt[i] := to_mask(isEvenInteger(value[i])) .
YIsFinite: Determines if a element is finite. It contains zero, subnormal, and normal. It does not contain infinity, NaN (确定元素是否为有限值. 它包含零、次正规数、正规数. 它不含无穷大、非数).
Mnemonic: rt[i] := to_mask(isFinite(value[i])) .
YIsInfinity: Determines if a element is infinite (确定元素是否为无穷大).
Mnemonic: rt[i] := to_mask(isInfinity(value[i])) .
YIsInfinityOrNaN: Determines if a element is infinite or NaN (确定元素是否为无穷大或非数).
Mnemonic: rt[i] := to_mask(isInfinityOrNaN(value[i])) .
YIsInteger: Determines if a element represents an integral number (确定元素是否为整数).
Mnemonic: rt[i] := to_mask(isInteger(value[i])) .
YIsNaN: Determines if a element is NaN (确定元素是否为非数).
Mnemonic: rt[i] := to_mask(isNaN(value[i])) .
YIsNegative: Determines if a element represents a negative number or negative zero (确定元素是否为负数或负零).
Mnemonic: rt[i] := to_mask(isNegative(value[i])) = to_mask((value[i]<0) || isNegativeZero(value[i])) .
YIsNegativeInfinity: Determines if a element is negative infinity (确定元素是否为负无穷大).
Mnemonic: rt[i] := to_mask(isNegativeInfinity(value[i])) .
YIsNegativeZero: Determines if a element represents a negative zero (确定元素是否为负零).
Mnemonic: rt[i] := to_mask(isNegativeZero(value[i])) .
YIsNormal: Determines if a element is normal (确定元素是否为正规数).
Mnemonic: rt[i] := to_mask(isNormal(value[i])) .
YIsNotNaN: Determines if a element is not NaN (确定元素是否不为非数).
Mnemonic: rt[i] := to_mask(isNotNaN(value[i])) = to_mask(!isNaN(value[i])) .
YIsOddInteger: Determines if a element represents an odd integral number (确定元素是否为奇数整数).
Mnemonic: rt[i] := to_mask(isOddInteger(value[i])) .
YIsPositive: Determines if a element represents zero or a positive number (确定元素是否为零或正数).
Mnemonic: rt[i] := to_mask(isPositive(value[i])) .
YIsPositiveInfinity: Determines if a element is positive infinity (确定元素是否为正无穷大).
Mnemonic: rt[i] := to_mask(isPositiveInfinity(value[i])) .
YIsSubnormal: Determines if a element is subnormal (确定元素是否为次正规数).
Mnemonic: rt[i] := to_mask(isSubnormal(value[i])) .
YIsZero: Determines if a element is zero (确定元素是否为零).
Mnemonic: rt[i] := to_mask(0==value[i]) .
YIsZeroOrSubnormal: Determines if a element is zero or subnormal (确定元素是否为零或次正规数).
Mnemonic: rt[i] := to_mask(isZeroOrSubnormal(value[i])) .

符号判断的向量方法

YCopySign: Copies the sign of a value to the sign of another value (将一个值的符号复制到另一个值).
Mnemonic: rt[i] := copySign(value[i], sign[i]).
YSign: Determine the sign of each element (判断各个元素的符号). 其元素取决于value的对应元素的符号情况: 值为正数时返回1, 值为0或NaN时返回0, 值为负数时返回-1.
Mnemonic: rt[i] := sign(value[i]).
YSignFloat: Determine the sign of each element and returns a floating point number (判断各个元素的符号并返回浮点数). 其元素取决于value的对应元素的符号情况: 值为正数时返回1, 值为0时返回0, 值为负数时返回-1, 值为NaN时返回NaN.
Mnemonic: rt[i] := signFloat(value[i]).

限制的向量方法

YMaxNumber: Computes the maximum number of two vectors on a per-element basis (在每个元素的基础上计算两个向量的最大数值). The maxNumber method matches the IEEE 754:2019 maximumNumber function. This requires NaN inputs to not be propagated back to the caller and for -0.0 to be treated as less than +0.0 (maxNumber方法与 IEEE 754:2019 maximumNumber 函数匹配。这要求 NaN 输入不传播回调用方，且 -0.0 被视为小于 +0.0).
Mnemonic: `rt[i] := maxNumber(left[i], right[i]).
YMinNumber: Computes the minimum number of two vectors on a per-element basis (在每个元素的基础上计算两个向量的最小数值). The minNumber method matches the IEEE 754:2019 minimumNumber function. This requires NaN inputs to not be propagated back to the caller and for -0.0 to be treated as less than +0.0 (minNumber方法与 IEEE 754:2019 minimumNumber 函数匹配。这要求 NaN 输入不传播回调用方，且 -0.0 被视为小于 +0.0).
Mnemonic: `rt[i] := minNumber(left[i], right[i]).

比较的向量方法

YIsAllTrue: Checks if all elements of the vector is true (检查向量中所有元素是不是都为true).
Mnemonic: rt := value[0] && value[1] && value[2] && ... && value[Count-1] . The element of value must be 0 or AllBitsSet (Signed integer value -1).
YIsAnyTrue: Checks if any elements of the vector is true (检查向量中任一元素是不是为true).
Mnemonic: rt := value[0] || value[1] || value[2] || ... || value[Count-1] . The element of value must be 0 or AllBitsSet (Signed integer value -1).
YIsNotEquals: Compares two vectors to determine if they are not equal on a per-element basis (比较两个向量，确定它们每个元素是否不相等).
Mnemonic: rt[i] := to_mask(left[i] != right[i]).

增加目标框架 `net8.0` 与 `netstandard2.1`

相关日志:

VectorTraits.dll: Add TargetFrameworks net8.0 and netstandard2.1 (增加目标框架 net8.0 与 netstandard2.1 ).

本库增加目标框架—— net8.0 与 netstandard2.1。能更好的利用这些目标框架的一些新的方法来优化性能。
对于net8.0 新增的512位向量（Vector512）与Avx512指令集，本库的3.0版将支持它们。

提供固定长度的数组

相关日志:

Provides arrays of fixed length (提供固定长度的数组). e.g. FixedArray2, FixedArray4 ...

这一项功能主要是给本库使用的。Unsafe.Add的地址计算，存在写法繁琐，很难利用“寄存器相对寻址”、“相对基址变址寻址”指令问题。
使用“固定长度的数组”后，能解决这些问题，且具有编译时范围检查。
“固定长度的数组”的原理比较简单，就是利用值类型的结构体的一些特点。将数组下标寻址，换成访问结构体的成员。当数组下标是常数时，使用“固定长度的数组”会更方便。

“固定长度的数组”的范例

例如下面是一个计算float的256位向量相等（Vector256.Equals<float>）的函数。

public static Vector256<float> Equals_Basic(Vector256<float> left, Vector256<float> right) {
    UnsafeUtil.SkipInit(out Vector256<float> rt);
    ref int prt = ref Unsafe.As<Vector256<float>, int>(ref rt);
    ref float pleft = ref Unsafe.As<Vector256<float>, float>(ref left);
    ref float pright = ref Unsafe.As<Vector256<float>, float>(ref right);
    prt = BitMath.ToInt32Mask(pleft == pright);
    Unsafe.Add(ref prt, 1) = BitMath.ToInt32Mask(Unsafe.Add(ref pleft, 1) == Unsafe.Add(ref pright, 1));
    Unsafe.Add(ref prt, 2) = BitMath.ToInt32Mask(Unsafe.Add(ref pleft, 2) == Unsafe.Add(ref pright, 2));
    Unsafe.Add(ref prt, 3) = BitMath.ToInt32Mask(Unsafe.Add(ref pleft, 3) == Unsafe.Add(ref pright, 3));
    Unsafe.Add(ref prt, 4) = BitMath.ToInt32Mask(Unsafe.Add(ref pleft, 4) == Unsafe.Add(ref pright, 4));
    Unsafe.Add(ref prt, 5) = BitMath.ToInt32Mask(Unsafe.Add(ref pleft, 5) == Unsafe.Add(ref pright, 5));
    Unsafe.Add(ref prt, 6) = BitMath.ToInt32Mask(Unsafe.Add(ref pleft, 6) == Unsafe.Add(ref pright, 6));
    Unsafe.Add(ref prt, 7) = BitMath.ToInt32Mask(Unsafe.Add(ref pleft, 7) == Unsafe.Add(ref pright, 7));
    return rt;
}

说明一下，它是一个用标量算法实现函数，用于在不支持向量指令时进行回退。所以需要分别对每一个元素来做相等比较，并将比较结果转为掩码。
float是32位的，256位向量里能放下8个float。于是上面的代码使用Unsafe.Add，分别对8个元素进行了计算。

下面是使用“固定长度的数组”改写后的代码。

public static Vector256<float> Equals_Basic(Vector256<float> left, Vector256<float> right) {
    UnsafeUtil.SkipInit(out Vector256<float> rt);
    ref FixedArray8<int> p = ref Unsafe.As<Vector256<float>, FixedArray8<int>>(ref rt);
    ref FixedArray8<float> pleft = ref Unsafe.As<Vector256<float>, FixedArray8<float>>(ref left);
    ref FixedArray8<float> pright = ref Unsafe.As<Vector256<float>, FixedArray8<float>>(ref right);
    p.I0 = BitMath.ToInt32Mask(pleft.I0 == pright.I0);
    p.I1 = BitMath.ToInt32Mask(pleft.I1 == pright.I1);
    p.I2 = BitMath.ToInt32Mask(pleft.I2 == pright.I2);
    p.I3 = BitMath.ToInt32Mask(pleft.I3 == pright.I3);
    p.I4 = BitMath.ToInt32Mask(pleft.I4 == pright.I4);
    p.I5 = BitMath.ToInt32Mask(pleft.I5 == pright.I5);
    p.I6 = BitMath.ToInt32Mask(pleft.I6 == pright.I6);
    p.I7 = BitMath.ToInt32Mask(pleft.I7 == pright.I7);
    return rt;
}

可见，摆脱了冗长的Unsafe.Add后，代码简洁了很多。
FixedArray8等“固定长度的数组”是结构体，且元素类型也是值类型，故它可以安全使用Unsafe.As来转换引用的类型，从而直接操作变量的内存。

备注：寻址方式说明

X86架构支持2种相对寻址。资料摘录如下。

寄存器相对寻址方式
格式:操作码 寄存器，DISP+基址或变址寄存器
有效地址＝寄存器＋8/16位相对值DISP
MOV AX, [SI+06H] ；AX←DS:[SI+06H]
MOV AX, 06H[SI] ；AX←DS:[SI+06H]

相对基址变址寻址方式
格式:操作码 寄存器，DISP+（基址寄存器）+（变址寄存器）
有效地址＝BX/BP＋SI/DI＋8/16位相对值DISP
MOV AX, [BX+DI+6] ；AX←DS:[BX+DI+6]
MOV AX, 6[BX+DI] ; MOV AX, 6[BX][DI]

相对值DISP，是立即数（Immediate）。如上面范例里的6（或06H），它会直接编译到机器码里。
当使用这2种相对寻址时，能在同一指令内就能完成“地址计算”与实际的“数据搬运”。
而不使用它们时，得花3条指令才能达到同样的效果。分别是 “将立即数加载到寄存器”（相对值）、“加法”（基址+相对值）、“寄存器间接寻址”。
目前发现直至.NET8.0，Unsafe.Add的地址计算代码在JIT编译为机器码运行时，不会使用相对寻址。即原本1条指令就能寻址，但JIT只会编译为3条指令的，影响了性能。
于是本库使用“固定长度的数组”来解决这一性能问题。

BitMath从静态类改为抽象类. 新增名称空间 `Zyl.VectorTraits.Numerics`

相关日志:

BitMath changed from static to abstract class. Add namespace Zyl.VectorTraits.Numerics, add some math functions (BitMath从静态类改为抽象类. 新增名称空间 Zyl.VectorTraits.Numerics, 增加一些的数学函数).

这次改善了标量版数学函数的组织。向量方法是基于这些标量方法的。
原来的 BitMath 类太太了。且2.0版增加了浮点类型判断等多个函数，若仍然放在BitMath里，会使该类便的更大，不易维护。
看了一下 .NET 7.0 的泛型数学，感觉它的分类方案不错。于是新增名称空间 Zyl.VectorTraits.Numerics，随后按照泛型数学的分类，建立了各个静态类。目前有这些类。

BitMathCore: 本库新增的函数。例如 BitSelect 等。
MathBitConverter: BitConverter（位转换）的数学函数。例如 SingleToInt32Bits 等。
MathIFloatingPoint: IFloatingPoint（浮点数接口）的数学函数。例如 Truncate 等。
MathINumber: INumber（数字性接口）的数学函数。例如 Clamp 等。
MathINumberBase: INumberBase（数字基本性接口）的数学函数。例如 Abs 等。
MathIRootFunctions: IRootFunctions（根函数接口）的数学函数。例如 Sqrt 等。
MathOperators: 运算符的数学函数。例如 BigMul 等。

目前BitMath是一个转发汇总的作用，便于简单的使用标量版数学函数。

基准测试程序增加命令行参数

相关日志:

Benchmark programs add command line parameter (基准测试程序增加命令行参数): -accelerated0 -allowFakeBenchmark -cpuDetection0 -fixedVector0 -test0

手动运行基准测试程序时，往往希望能显示更多的信息，便于分析数据。
而用脚本自动运行时，一般不希望显示次要信息。
于是用命令行参数来控制比较好。

accelerated[=n]: 是否显示各个向量方式的加速情况（例如 Ceiling_AcceleratedTypes 等）。
accelerated0: 相当于“accelerated=0”，禁止显示各个向量方式的加速情况。
allowFakeBenchmark[=n]: 是否对 FakeBenchmarkAttribute 特性的函数也进行基准测试。一般情况下无需使用它，仅在脚本自动测试时，有时会用到。
allowFakeBenchmark0: 相当于“allowFakeBenchmark=0”，禁止FakeBenchmarkAttribute的基准测试。
cpuDetection[=n]: 是否显示CPU检测信息（例如 CpuDetectionCommand 等）。
cpuDetection0: 相当于“cpuDetection=0”，禁止显示CPU检测信息。
fixedVector[=n]: 是否显示定长向量的信息（例如 Vector128/Vector256 等）。
fixedVector0: 相当于“fixedVector=0”，禁止显示定长向量的信息。
test[=n]: 是否进行特殊测试。详见AloneTestUtil类。
test0: 相当于“test=0”，禁止进行特殊测试。

增加工具程序UpdateBenchmarkResults

相关日志:

Add tool program (增加工具程序): UpdateBenchmarkResults.

为了能将基准测试结果进行自动归类与更新，开发了这一工具程序。
编译好的程序已放在 /tools/build/ 文件夹，可以这样使用。

在各台计算机上运行基准测试的脚本，并将结果分别放到 /articles/BenchmarkResultsRaw文件夹。
运行脚本 /tools/build/UpdateBenchmarkResults.bat。它会对评测数据进行汇总, 随后更新到 /articles/BenchmarkResults文件夹。

该工具程序的源代码在 /tools/UpdateBenchmarkResults 文件夹。

算法优化

相关日志:

Optimized hardware acceleration of ExtractMostSignificantBits methods in the Arm architecture (优化ExtractMostSignificantBits方法在Arm架构的硬件加速). For 8~64 bit types.

附录

以前的发布日志:

发布 VectorTraits v1.0, 它是C#下增强SIMD向量运算的类库

标签：rt,Mnemonic,x86,v2.0,value,Sse,ref,向量,left
From： https://www.cnblogs.com/zyl910/p/18078844/dotnet_dll_VectorTraits_v2_0

发布 VectorTraits v2.0（支持 x86的Sse系列指令集等）

支持 x86的Sse系列指令集

为 Vector128/Vector256 补充全部的向量方法

提供CPU型号信息

结果范例1: X86 CPU on Windows

结果范例2: Arm CPU on Linux

结果范例3: Arm CPU on Mac OS

提供所支持的指令集信息

结果范例1: X86 CPU on Windows

结果范例2: Arm CPU on Linux

结果范例3: Arm CPU on Mac OS

新增了向量方法

位运算的向量方法

浮点数判断的向量方法

符号判断的向量方法

限制的向量方法

比较的向量方法

增加目标框架 `net8.0` 与 `netstandard2.1`

提供固定长度的数组

“固定长度的数组”的范例

备注：寻址方式说明

BitMath从静态类改为抽象类. 新增名称空间 `Zyl.VectorTraits.Numerics`

基准测试程序增加命令行参数

增加工具程序UpdateBenchmarkResults

算法优化

附录

相关文章

赞助商

阅读排行

发布 VectorTraits v2.0（支持 x86的Sse系列指令集等）

支持 x86的Sse系列指令集

为 Vector128/Vector256 补充全部的向量方法

提供CPU型号信息

结果范例1: X86 CPU on Windows

结果范例2: Arm CPU on Linux

结果范例3: Arm CPU on Mac OS

提供所支持的指令集信息

结果范例1: X86 CPU on Windows

结果范例2: Arm CPU on Linux

结果范例3: Arm CPU on Mac OS

新增了向量方法

位运算的向量方法

浮点数判断的向量方法

符号判断的向量方法

限制的向量方法

比较的向量方法

增加目标框架 net8.0 与 netstandard2.1

提供固定长度的数组

“固定长度的数组”的范例

备注：寻址方式说明

BitMath从静态类改为抽象类. 新增名称空间 Zyl.VectorTraits.Numerics

基准测试程序增加命令行参数

增加工具程序UpdateBenchmarkResults

算法优化

附录

相关文章

赞助商

阅读排行

增加目标框架 `net8.0` 与 `netstandard2.1`

BitMath从静态类改为抽象类. 新增名称空间 `Zyl.VectorTraits.Numerics`