RTC*_*222 1 assembly sse x86-64 nasm avx
MOVHPD将xmm寄存器的高位四字提取到内存中。
PEXTRQ提取xmm寄存器的高位四字并将其放入整数寄存器（仅整数）。
SHUFPD随机播放。
VPSLLDQ使高位四字清零。
是否有指令将浮点值从xmm寄存器的高位四字移动到同一xmm寄存器或另一个xmm寄存器的低位四字？还是我总是必须经过内存（添加额外的周期）？
更新：根据以下@fuz和@Peter Cordes的评论，这是我所做的。这将分别为xmm0的上下四位数调用舍入函数；由于特殊的舍入参数，必须为每个qword分别调用该函数，因此它不能是SIMD指令。目标是将xmm0中的每个qword取整并将结果放入xmm11中。
movapd xmm2,xmm0 ;preserve both qwords of xmm0
call Round
movsd [scratch_register+0],xmm0 ; write low qword to memory
movhlps xmm0,xmm2
call Round
movsd [scratch_register+8],xmm0 ; write low qword to memory
movupd xmm11,[scratch_register]
更新＃2：@Peter Cordes显示了如何在没有内存的情况下执行此操作：
movhlps xmm2, xmm0 ; extract high qword for later
call Round ; round the low qword
movaps xmm3, xmm0 ; save the result
movaps xmm0, xmm2 ; set up the arg
call Round ; round the high qword
movlhps xmm3, xmm0 ; re-combine into xmm3
请参阅Agner Fog的asm优化指南，他在SIMD上的章节中有一张随机播放指令表，列出了各种数据移动方式，这些指令可以让您考虑一些指令（或者，如果您不记得它们的确切内容，请查阅Intel手册） ），看看它们是否就是您想要的。
向这两个元素广播寄存器的高qword的最便宜方法是movhlps xmm0,xmm0。 （或者对于整数数据（如果您的代码可能在Nehalem上运行，请使用punpckhqdq xmm0,xmm0以避免FP <-> vec-int旁路延迟）。）
如果没有AVX，movhlps则效果很好，因为它的随机播放与稍有不同unpckhpd。
movhlps xmm3, xmm4确实xmm3[0] = xmm4[1];，保持xmm3[1]不变。unpckhpd xmm3, xmm4从xmm3和xmm4获取高位qword，并将它们按顺序放入xmm3。因此，在目标中，高qword移到低，然后将src中的高qword复制过来。 xmm3[0] = xmm3[1]; xmm3[1] = xmm4[1]但是unpcklpd没有用，它长了1个字节，并且与SSE1做相同的事情movlhps。（将src中的低位qword复制到目标的高位qword，而保留目标的低位qword不变。）与相同movapd，始终使用movaps代替。
同样是re：code-size：使用xmm8..15需要花费REX前缀，因此请选择寄存器分配以在尽可能少的指令中使用xmm8..15（或已经需要REX前缀的指令，例如用于指针）在r8..15中）。代码大小通常并不重要，但是其他所有条件通常都较小。较小的指令通常可以更好地打包到uop缓存中。
使用AVX，您可以使用vunpckhpd任何顺序的源操作数，第一个src的高qword会到达目标的低qword。没有代码大小优势（或其他性能优势）vmovhlps，它们都可以使用2字节的VEX前缀来实现最小4字节的指令大小。
例如vunpckhpd xmm0, xmm1, xmm0就像vmovhlps xmm0, xmm0,xmm1。
您可以使用shufpd或vpshufd解决您要解决的问题。这是浪费代码的大小，因为它需要立即执行，但是显然您没有意识到可以shufpd xmm0, xmm0, 0b11用来（按此顺序）：
xmm0[1]（第一个src操作数，立即数的低位）的低位qwordxmm0[1]（第二个src操作数，立即数的高位）。随机播放控件可以多次读取同一输入元素。
有趣的是，NASM编译器将仅使用两个操作数来编译VUNPCKHPD
NASM允许你写这样的指令vaddps xmm0, xmm0, xmm1为vaddps xmm0, xmm1，省略了单独的目标操作时，它一样的第一来源。
我很困惑，因为这些值是双精度的，而不是单精度的，但是它可以工作。
一切都只是要复制的位/字节。除非您使用FP计算指令（例如addpd/ addps），否则“类型”无关紧要。（您可以通过手册条目中是否存在“ SIMD浮点异常”部分来判断是否关心这些位的含义是否为FP位模式。例如addps：
https：//www.felixcloutier。 com / x86 / addps＃simd-floating-point-exceptions。（但是，没有任何意外。唯一注意的指令之所以这样做是因为很明显的原因，例如进行FP计算或类型转换，而不仅仅是复制数据。 ）
没有真正的CPU关心PS与PD的性能指令，而是关心vec-int与vec-FP的指令，因此不幸的是pshufd，复制和改组FP数据并不总是胜利。或shufps用作2源整数洗牌。
不幸的是，在AVX512之前，没有通用的2源“整数”改组，palignr也没有punpck说明。在AVX之前，没有FP复制和改组说明。（而且具有讽刺意味的是，除了内存源负载+随机播放之外，vpermilps立即数是多余的vshufps dst, same,same, imm8，并且出于代码大小的原因应避免 使用。VPERMILPS指令（_mm_permute_ps）的意义是什么？）
movapd xmm2,xmm0 ;preserve both qwords of xmm0
call Round
movsd [scratch_register+0],xmm0 ; write low qword to memory
movhlps xmm0,xmm2
call Round
这是有效的改组，但是不幸的是，它在第一个Round的输出和第二个Round的输入之间创建了虚假的依赖关系。因此，这两个调用不能并行运行。相反，在第一次调用之前复制时应随机播放，最好是进入已知已经“停滞”一段时间或属于xmm0中的值的依赖链的一部分的寄存器，因此必须在此之前做好准备。
movhlps xmm2, xmm0 ; extract high qword for later
call Round ; round the low qword
movaps xmm3, xmm0 ; save the result
movaps xmm0, xmm2 ; set up the arg
call Round ; round the high qword
movlhps xmm3, xmm0 ; re-combine into xmm3
除非您的手写Round函数不会碰到的寄存器不足，否则您就不需要特别的内存并且效率也不高。
另外，所有这些movaps和movhlps指令仅3个字节长，并且与您版本中的指令数量相同。
另一个选择（尤其是如果您输入的内容在不同的寄存器中开头）将是Round第一个高位，然后您可以使用将高位返回到xmm0 movlhps。
而且，如果您具有SSE4.1，roundpd则BTW 可以四舍五入为具有Nearest的最接近整数，向+ -Inf（上限/下限）或接近0（截断）。
movsd [scratch_register+8],xmm0 ; write low qword to memory
movupd xmm11,[scratch_register]
永远不要这样做，狭窄的仓库+宽的装货量是保证的仓库转发停滞。（约10个周期的额外延迟）。
使用16字节对齐的存储位置（例如，在堆栈上[rsp+8]或其他位置），然后
unpckhpd xmm0, [scratch_register]加载+随机播放。
不幸的是，英特尔对内存源unpck指令的设计很差，因此它们需要16字节的内存源，而不仅仅是它们实际加载/使用的8字节。在几种情况下