使用最少的指令将 4 个单精度浮点数加载并复制到打包的 __m256 变量中

如何解决使用最少的指令将 4 个单精度浮点数加载并复制到打包的 __m256 变量中

我有一个包含 A、B、C、D 4 个浮点数的浮点数组，我希望将它们加载到一个 Selector 变量中，例如 AABBCCDD。做到这一点的最佳方法是什么？我知道使用 __m256 始终是一种选择，但使用 8 个 cpu 指令似乎很慢。谢谢。

解决方法

如果您的数据是另一个向量计算的结果（在 __m128 中），您需要控制向量为 vpermps 的 AVX2 _mm256_permutexvar_ps (_mm256_set_epi32(3,3,2,1,0))。>

vpermps ymm 在 Intel 上为 1 uop，但在 Zen2 上为 2 uop（具有 2 个周期吞吐量）。 Zen1 上有 3 个 uops，每 4 个时钟吞吐量一个。 (https://uops.info/)

如果它是单独标量计算的结果，您可能需要将它们与 _mm_set_ps(d,d,c,c) (1x vshufps) 一起混洗以设置 vinsertf128。

但是对于内存中的数据，我认为您最好的选择是128 位广播加载，然后是车道内随机播放。它只需要 AVX1，在现代 CPU 上，它在 Zen2 和 Haswell 及更高版本上是 1 个负载 + 1 个 shuffle uop。它在 Zen1 上也很高效：唯一的跨车道 shuffle 是 128 位广播负载。

在 Intel 和 Zen2（256 位 shuffle 执行单元）上，使用 in-lane shuffle 的延迟低于跨道。这仍然需要一个 32 字节的 shuffle 控制向量常量，但如果您需要经常这样做，它通常/希望在缓存中保持热状态。

__m256  duplicate4floats(void *p) {
   __m256 v = _mm256_broadcast_ps((const __m128 *) p);   // vbroadcastf128
   v = _mm256_permutevar_ps(v,_mm256_set_epi32(3,0));  // vpermilps
   return v;
}

现代 CPU 直接在加载端口中处理广播加载，不需要 shuffle uop。（Sandybridge 确实需要用于 vbroadcastf128 的端口 5 shuffle uop，与更窄的广播不同，但 Haswell 及更高版本纯粹是端口 2/3。但 SnB 不支持 AVX2，因此粒度小于 128 的车道交叉 shuffle-位不是一个选项。）

所以即使 AVX2 可用，我认为 AVX1 指令在这里更有效。在 Zen1 上，vbroadcastf128 为 2 uop，而 128 位 vmovups 为 1，但 vpermps（车道交叉）为 3 uop，而 vpermilps 为 2。

不幸的是，clang 将其简化为 vmovups 加载和 vpermps ymm，但 GCC 将其编译为书面形式。 (Godbolt)

如果您想避免使用随机播放控制向量常量，vpmovzxdq ymm,[mem]（英特尔上为 2 uops）可以为 vmovsldup 设置元素（1 uops 通道内随机播放）。或者广播加载和 vunpckl/hps 然后混合？

我知道使用 _mm256_set_ps() 始终是一种选择，但使用 8 个 CPU 指令似乎很慢。

那就找一个更好的编译器吧！（或者记得开启优化。）

__m256  duplicate4floats_naive(const float *p) {
   return _mm256_set_ps(p[3],p[3],p[2],p[1],p[0],p[0]);
}

用 gcc (https://godbolt.org/z/dMzh3fezE) 编译成

duplicate4floats_naive(float const*):
        vmovups xmm1,XMMWORD PTR [rdi]
        vpermilps       xmm0,xmm1,80
        vpermilps       xmm1,250
        vinsertf128     ymm0,ymm0,0x1
        ret

所以 3 shuffle uops，不太好。它本可以使用 vshufps 而不是 vpermilps 来节省代码大小并让它在 Ice Lake 上的更多端口上运行。但仍然比 8 条指令要好得多。

clang 的 shuffle 优化器使 asm 与我优化的内在函数相同，因为 clang 就是这样。这是相当不错的优化，只是不太理想。

duplicate4floats_naive(float const*):
        vmovups xmm0,xmmword ptr [rdi]
        vmovaps ymm1,ymmword ptr [rip + .LCPI1_0] # ymm1 = [0,3]
        vpermps ymm0,ymm1,ymm0
        ret

_mm_load_ps -> _mm256_castps128_ps256 -> _mm256_permute_ps