我想根据任意掩码打包这些位
I want to pack the bits based on arbitrary mask
假设数据是 1011 1001，掩码是 0111 0110，那么你有：
input data: 1011 1001
input mask: 0111 0110
apply mask: 0011 0000 (based on `input mask`)
bits selected: -011 -00- (based on `input mask`)
right packed: ---0 1100
expected result: 0000 1100 (set left `8 - popcount('input mask')` bits to zero)
所以最后的输出是0000 1100（注意左边3个未指定的位置用0补齐）
你可以看到 input mask 中的位为 1 时 input data 中对应的值为 selected （在 bits selected 上面）然后所有 selected 位被连续打包在结果的最低有效位开始（如上面 right packed 所示）。最后，将打包后剩下的任何最左边的位设置为0（将有8 - popcount(mask)个这样的位）。
显而易见的选择是旋转和 select 但是这将消耗 5 次操作，因为掩码有 5 位。我可以一步完成吗？
注：
掩码可以是任意n位ON的任何东西（在上面
例如 n=5）。您所知道的是 ON 中的位数
面具和面具本身。掩码将继续变化 n 位 ON.
在上面的示例中，我使用了 8 位的数据和掩码，但实际上
usage 它可以是 8、16、32、64 和 128 位。
如果您的目标是 x86，大多数编译器将具有 pdep 的内在函数（parallel bit deposit) instruction which directly performs the operation you want, in hardware, at a rate of 1 per cycle (3 cycles latency)1, on Intel hardware that supports it. For example, gcc offers it 作为 _pdep_u32 和 _pdep_u64 内在函数。
不幸的是，在 AMD Ryzen（唯一支持 BMI2 的 AMD 硬件）上，这个操作非常慢：每 18 个周期一个。如果它们对您很重要，您可能希望有一个单独的 code-path 来支持 non-Intel 平台。
如果您不在 x86，您可以找到这些选项的通用实现 here - 您想要的特定操作是 expand_right - 其他部分可能非常感兴趣，因为它特别涵盖了您处理 word-sized 元素的简单情况。
实际上，如果您真的要处理 8 位数据和掩码值，您可能只使用预先计算的查找 table - 要么是一个大的 8 位 x 8 位 = 65k，它涵盖所有 {data, mask} 组合，直接给你答案，或者一个包含所有 mask 值并给你一些系数的 256 项组合，用于简单的 bit-shifting 计算或 multiplication-based 代码.
FWIW，我不确定你如何使用 5 个循环指令轻松完成它，因为看起来天真的解决方案需要每个位 1 个循环指令，无论是否设置（因此对于 8 字长位，7 或 8 个旋转 2 指令）。
1当然，原则上性能取决于硬件，但在所有实现它的主流Intel CPU上，它是1个周期的吞吐量，3个周期的延迟（不确定关于 AMD）。
2只有7次循环，因为"rotate of 0"最低位的操作显然可以省略。
假设数据是 1011 1001，掩码是 0111 0110，那么你有：
input data: 1011 1001
input mask: 0111 0110
apply mask: 0011 0000 (based on `input mask`)
bits selected: -011 -00- (based on `input mask`)
right packed: ---0 1100
expected result: 0000 1100 (set left `8 - popcount('input mask')` bits to zero)
所以最后的输出是0000 1100（注意左边3个未指定的位置用0补齐）
你可以看到 input mask 中的位为 1 时 input data 中对应的值为 selected （在 bits selected 上面）然后所有 selected 位被连续打包在结果的最低有效位开始（如上面 right packed 所示）。最后，将打包后剩下的任何最左边的位设置为0（将有8 - popcount(mask)个这样的位）。
显而易见的选择是旋转和 select 但是这将消耗 5 次操作，因为掩码有 5 位。我可以一步完成吗？
注：
掩码可以是任意
n位ON的任何东西（在上面 例如n=5）。您所知道的是ON中的位数 面具和面具本身。掩码将继续变化n位ON.在上面的示例中，我使用了 8 位的数据和掩码，但实际上 usage 它可以是 8、16、32、64 和 128 位。
如果您的目标是 x86，大多数编译器将具有 pdep 的内在函数（parallel bit deposit) instruction which directly performs the operation you want, in hardware, at a rate of 1 per cycle (3 cycles latency)1, on Intel hardware that supports it. For example, gcc offers it 作为 _pdep_u32 和 _pdep_u64 内在函数。
不幸的是，在 AMD Ryzen（唯一支持 BMI2 的 AMD 硬件）上，这个操作非常慢：每 18 个周期一个。如果它们对您很重要，您可能希望有一个单独的 code-path 来支持 non-Intel 平台。
如果您不在 x86，您可以找到这些选项的通用实现 here - 您想要的特定操作是 expand_right - 其他部分可能非常感兴趣，因为它特别涵盖了您处理 word-sized 元素的简单情况。
实际上，如果您真的要处理 8 位数据和掩码值，您可能只使用预先计算的查找 table - 要么是一个大的 8 位 x 8 位 = 65k，它涵盖所有 {data, mask} 组合，直接给你答案，或者一个包含所有 mask 值并给你一些系数的 256 项组合，用于简单的 bit-shifting 计算或 multiplication-based 代码.
FWIW，我不确定你如何使用 5 个循环指令轻松完成它，因为看起来天真的解决方案需要每个位 1 个循环指令，无论是否设置（因此对于 8 字长位，7 或 8 个旋转 2 指令）。
1当然，原则上性能取决于硬件，但在所有实现它的主流Intel CPU上，它是1个周期的吞吐量，3个周期的延迟（不确定关于 AMD）。
2只有7次循环，因为"rotate of 0"最低位的操作显然可以省略。