使用两个 _mm_loadl_epi64 而不是一个 _mm_load_si128

Question

我需要使用 16 位值（正值）并将它们提升到 32 位。

使用 SIMD（我仅限于 SSE3），这是我想到的两个选项：

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());

我应该选择哪种方法？使用第二种方法会比第一种方法有任何性能改进吗？请注意，我已将 _mm_loadu_si128 替换为两个 _mm_loadl_epi64.

Answer 1

大多数时候，您需要上下文来说明某件事会更快还是更慢。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 可以与内存操作数微融合，使整个从内存解包操作成为一个单一的融合域微指令。如果你的循环索引到一个数组，而不是递增指针，那么去加载 2x128b 然后解包，因为 punpcklwd xmm0, [rsi + rax] 不能微熔断。

实际上，从头开始。 punpcklo 仍然要求它的内存操作数是 16 字节对齐的。但是如果你的源数据是对齐的，你可以做一系列 punpcklo / punpckhi 对，具有相同的地址。

如果您的内部函数最终编译为 4 倍加载和 4 倍解包，那至少会比 2 倍加载和 4 倍解包稍微差一些。

如果不局限于SSE3，SSE4.1的PMOVZXWD xmm1, xmm2/m64就完美了，因为它没有128b内存操作数和相应的对齐要求。

使用两个 _mm_loadl_epi64 而不是一个 _mm_load_si128

using two _mm_loadl_epi64 over one _mm_load_si128

c

sse

intel

simd

intrinsics