高效（在Ryzen上）将__m256的奇数元素提取到__m128中的方法？

Question

是否有将AVX寄存器的64位组件的高/低32位组件重新打包到SSE寄存器的内在或另一种有效方法？使用AVX2的解决方案是可以的。

到目前为止我用下面的代码，但探查说，这是对Ryzen 1800X慢：

// Global constant 
const __m256i gHigh32Permute = _mm256_set_epi32(0, 0, 0, 0, 7, 5, 3, 1); 

// ... 

// function code 
__m256i x = /* computed here */; 
const __m128i high32 = _mm256_castsi256_si128(_mm256_permutevar8x32_epi32(x), 
    gHigh32Permute); // This seems to take 3 cycles 

Answer 1

在Intel上，你的代码将是最佳的。一个1-uop指令是最好的你会得到。 （除非你想使用vpermps来避免int/FP跳过延迟的风险，如果你的输入向量是由pd指令创建的，而不是一个加载或者什么的，那么使用FP shuffle的结果作为整数指令的输入是通常对英特尔来说很好，但我不确定是否将FP指令的结果反馈给整数随机播放。）

尽管如果调整为英特尔，您可能会尝试更改周围的代码，以便您可以拖动到底部的64位每个128b通道的比特，以避免使用通道交叉混洗。 （然后，你可以只使用vshufps ymm，或者如果调谐KNL，vpermilps自2输入vshufps较慢。）

随着AVX512，有_mm256_cvtepi64_epi32 (vpmovqd)其中包跨车道元素，截断。

---

在Ryzen，车道交叉洗牌慢。 Agner Fog没有vpermd的号码，但他列出了vpermps（它可能在内部使用相同的硬件），速度为3 uops，5c延迟，每4c吞吐量一个。因为它跟踪256b寄存器已经是两个128b的一半，所以这并不奇怪，这并不奇怪。 shufps也是有效的（1c延迟，0.5c吞吐量），并且可以让你将两个128b寄存器混合到你想要的结果中。

这也为您节省了2个不需要的2 vpermps洗牌口罩的注册表。

所以我建议：

__m256d x = /* computed here */; 

// Tuned for Ryzen. Sub-optimal on Intel 
__m128 hi = _mm_castpd_ps(_mm256_extractf128_pd(x, 1)); 
__m128 lo = _mm_castpd_ps(_mm256_castpd256_pd128(x)); 
__m128 odd = _mm_shuffle_ps(lo, hi, _MM_SHUFFLE(3,1,3,1)); 
__m128 even = _mm_shuffle_ps(lo, hi, _MM_SHUFFLE(2,0,2,0)); 

在Intel，采用3次洗牌，而不是2为您提供最佳的吞吐量的2 /三分之二，与第一个结果1C额外的延迟。