将 xmm 寄存器的低两个 32 位浮点数扩展为整个 xmm 寄存器

Question

Intel x86 汇编中执行以下操作的最有效方法是什么（a，b是 32 位浮点数）：

从xmm1: [-, -, a, b]到xmm1: [a, a, b, b]

我找不到任何有用的说明。
我的想法是将a和b复制到其他寄存器，然后将xmm1寄存器移动 4 个字节并将a或b移动到最低的 4 个字节。

Answer 1

您正在寻找unpcklps xmm1, xmm1( https://www.felixcloutier.com/x86/unpcklps ) 将寄存器中的低元素与自身交错：
低元素 -> 底部 2，第二低到高 2。

您可以改为使用，shufps但在这种情况下不会更好，并且需要立即字节。要复制和洗牌，您可以使用pshufd，但在一些 CPU 上，整数指令在 FP 指令之间较慢（但它通常仍然比movaps+ 好unpcklps。要么没有旁路延迟，要么是 1 个周期，而 movaps 的成本相同延迟，但也有一些吞吐量资源。除了 Nehalem，其旁路延迟为 2 个周期。我认为任何具有 mov-elimination 的 CPU 都没有用于 shuffle 的旁路延迟，但也许有些 AMD 会这样做。）

如果您在找到正确的 shuffle 指令时遇到困难，请考虑用 C 编写它，看看 clang 是否可以将它变成一个 shuffle 指令。喜欢_mm_set_ps(v[1], v[1], v[0], v[0])。一般来说，它不会总是编译成好的 asm，但值得一试clang -O3（clang 有一个非常好的随机优化器）。在这种情况下，GCC 和 clang 都想出了如何用一个unpcklps xmm0,xmm0（https://godbolt.org/z/o6PTeP）来做到这一点，而不是可能发生的灾难。或者与shufps xmm0,xmm0, 5 (5 是0b00'00'01'01)相反。

（请注意，索引 a __m128asv[idx]是 GNU 扩展，但我只建议使用 clang 来找到一个好的 shuffle。如果您最终想要内在函数，请检查 clang 的 asm，然后在您的代码中使用内在函数，而不是 a _mm_set）

另请参阅 Agner Fog 的优化指南 ( https://agner.org/optimize/ ) 中的 SIMD 章节；他有一个很好的指令表，可以考虑不同类型的数据移动。另外https://www.officedaytime.com/simd512e/simd.html有一个很好的视觉快速参考，https ://software.intel.com/sites/landingpage/IntrinsicsGuide/ 可以让你按类别过滤（Swizzle = shuffles )，并按 ISA 级别（因此您可以排除 AVX512，它具有大量带有掩码的内在版本。）

有关这些链接等信息，另请参阅https://stackoverflow.com/tags/sse/info。

如果您不太了解可用指令（以及 CPU 架构/性能调整细节），那么最好将 C 与内在函数一起使用。当您想出一种效率较低的方法来进行 shuffle 时，编译器可以找到更好的方法。例如，编译器将有希望优化_mm_shuffle_ps(v,v, _MM_SHUFFLE(1,1,0,0))到unpcklps你。

手写 asm 是正确的选择是非常罕见的，尤其是对于 x86。 编译器通常在内部函数方面做得很好，尤其是 GCC 和 clang。如果您不知道它unpcklps存在，那么您可能离能够轻松/常规地击败编译器还有很长的路要走。