在一个 _mm_load_si128 上使用两个 _mm_loadl_epi64

Question

我需要使用 16 位值（正值）并将它们提升为 32 位。

使用 SIMD（我仅限于 SSE3），以下是我提出的两个选项：

reg_xmm0 = _mm_loadu_si128((const __m128i *)(Src));
reg_xmm2 = _mm_loadu_si128((const __m128i *)(Src+8));

reg_xmm1 = _mm_unpackhi_epi16(reg_xmm0,_mm_setzero_si128());
reg_xmm0 = _mm_unpacklo_epi16(reg_xmm0,_mm_setzero_si128());
reg_xmm3 = _mm_unpackhi_epi16(reg_xmm2,_mm_setzero_si128());
reg_xmm2 = _mm_unpacklo_epi16(reg_xmm2,_mm_setzero_si128()); 

或者我可以这样做，

reg_xmm0 = _mm_loadl_epi64((const __m128i *)(Src));
reg_xmm1 = _mm_loadl_epi64((const __m128i *)(Src+4));
reg_xmm2 = _mm_loadl_epi64((const __m128i *)(Src+8));
reg_xmm3 = _mm_loadl_epi64((const __m128i *)(Src+12));

reg_xmm0 = _mm_unpacklo_epi16(reg_xmm0,_mm_setzero_si128());
reg_xmm1 = _mm_unpacklo_epi16(reg_xmm1,_mm_setzero_si128());
reg_xmm2 = _mm_unpacklo_epi16(reg_xmm2,_mm_setzero_si128());
reg_xmm3 = _mm_unpacklo_epi16(reg_xmm3,_mm_setzero_si128()); 

我应该采用哪种方法？使用第二种方法比第一种方法会有任何性能改进吗？请注意，我已替换_mm_loadu_si128为两个_mm_loadl_epi64。

Answer 1

大多数时候，您需要上下文来判断某件事是更快还是更慢。延迟、执行端口或 uop 吞吐量（前端）都是常见的瓶颈。

如果您使用 1 寄存器寻址模式，punpcklo则可以与内存操作数微融合，使整个从内存解包操作成为单个融合域微指令。如果您的循环正在对数组进行索引，而不是递增指针，则可以加载 2x128b 然后解包，因为punpcklwd xmm0, [rsi + rax]无法微熔丝。

事实上，从头开始。 punpcklo仍然要求其内存操作数是 16 字节对齐的。但是如果您的源数据是对齐的，您可以使用相同的地址执行一系列punpcklo/对。punpckhi

如果您的内在函数最终编译为 4x 加载和 4x 解包，那么这至少会比 2x 加载和 4x 解包稍差。

如果不限于 SSE3，SSE4.1PMOVZXWD xmm1, xmm2/m64将是完美的，因为它没有具有相应对齐要求的 128b 内存操作数。