对齐与未对齐 x86 SIMD 指令之间的选择
Choice between aligned vs. unaligned x86 SIMD instructions
SIMD指令一般有两种：
一个。使用对齐内存地址的那些，如果地址未在操作数大小边界对齐，将引发一般保护 (#GP) 异常：
movaps xmm0, xmmword ptr [rax]
vmovaps ymm0, ymmword ptr [rax]
vmovaps zmm0, zmmword ptr [rax]
乙。那些使用未对齐内存地址的，不会引发此类异常：
movups xmm0, xmmword ptr [rax]
vmovups ymm0, ymmword ptr [rax]
vmovups zmm0, zmmword ptr [rax]
但我很好奇，为什么我要搬起石头砸自己的脚并使用第一组的对齐内存指令？
- 未对齐访问：只能使用
movups/vmovups。在对齐访问案例（见下文）中讨论的相同惩罚也适用于此。此外，跨越高速缓存行或虚拟页面边界的访问总是对所有处理器造成惩罚。
- 对齐访问：
- 在 Intel Nehalem 及更高版本（包括 Silvermont 及更高版本）和 AMD Bulldozer 及更高版本上：预解码后，它们以完全相同的方式针对相同的操作数执行。这包括对移动消除的支持。对于获取和预解码阶段，它们为相同的操作数消耗完全相同的资源。
- 在 Nehalem 和 Bonnell 之前以及 Bulldozer 之前：它们被解码为不同的融合域 uops 和未融合域 uops。
movups/vmovups 在管道的前端和后端消耗更多资源（最多两倍）。换句话说，就延迟 and/or 吞吐量而言，movups/vmovups 最多可以比 movaps/vmovaps 慢两倍。
因此，如果您不关心旧的微体系结构，两者在技术上是等同的。尽管如果您知道或期望数据对齐，您应该使用对齐指令来确保数据确实对齐，而不必在代码中添加显式检查。
我认为即使在 "Intel Nehalem and later (including Silvermont and later) and AMD Bulldozer and later" 上使用 _mm_loadu_ps 和 _mm_load_ps 之间也存在细微差别，这会对性能产生影响。
折叠一个负载的操作和另一个操作（例如乘法）只能用 load，而不是 loadu 内在函数来完成，除非你编译时启用了 AVX 以允许未对齐的内存操作数。
考虑以下代码
#include <x86intrin.h>
__m128 foo(float *x, float *y) {
__m128 vx = _mm_loadu_ps(x);
__m128 vy = _mm_loadu_ps(y);
return vx*vy;
}
这得到 converted to
movups xmm0, XMMWORD PTR [rdi]
movups xmm1, XMMWORD PTR [rsi]
mulps xmm0, xmm1
然而，如果使用了对齐加载内在函数 (_mm_load_ps)，它会被编译为
movaps xmm0, XMMWORD PTR [rdi]
mulps xmm0, XMMWORD PTR [rsi]
省了一条指令。但是如果编译器可以使用 VEX 编码加载，那就是 only two instructions for unaligned as well.
vmovups xmm0, XMMWORD PTR [rsi]
vmulps xmm0, xmm0, XMMWORD PTR [rdi]
尽管在 Intel Nehalem 及更高版本或 Silvermont 及更高版本或 AMD Bulldozer 及更高版本上使用指令 movaps 和 movups 时性能没有差异，但因此用于对齐访问。
但是 使用 _mm_loadu_ps 和 _mm_load_ps intrinsics 时性能会有所不同启用 AVX，在编译器的权衡不是 movaps 与 movups 的情况下，它介于 movups 或将加载折叠到 ALU 指令之间。 （当向量仅用作一个事物的输入时会发生这种情况，否则编译器将使用 mov* 加载将结果放入寄存器以供重用。）
SIMD指令一般有两种：
一个。使用对齐内存地址的那些，如果地址未在操作数大小边界对齐，将引发一般保护 (#GP) 异常：
movaps xmm0, xmmword ptr [rax]
vmovaps ymm0, ymmword ptr [rax]
vmovaps zmm0, zmmword ptr [rax]
乙。那些使用未对齐内存地址的，不会引发此类异常：
movups xmm0, xmmword ptr [rax]
vmovups ymm0, ymmword ptr [rax]
vmovups zmm0, zmmword ptr [rax]
但我很好奇，为什么我要搬起石头砸自己的脚并使用第一组的对齐内存指令？
- 未对齐访问：只能使用
movups/vmovups。在对齐访问案例（见下文）中讨论的相同惩罚也适用于此。此外，跨越高速缓存行或虚拟页面边界的访问总是对所有处理器造成惩罚。 - 对齐访问：
- 在 Intel Nehalem 及更高版本（包括 Silvermont 及更高版本）和 AMD Bulldozer 及更高版本上：预解码后，它们以完全相同的方式针对相同的操作数执行。这包括对移动消除的支持。对于获取和预解码阶段，它们为相同的操作数消耗完全相同的资源。
- 在 Nehalem 和 Bonnell 之前以及 Bulldozer 之前：它们被解码为不同的融合域 uops 和未融合域 uops。
movups/vmovups在管道的前端和后端消耗更多资源（最多两倍）。换句话说，就延迟 and/or 吞吐量而言，movups/vmovups最多可以比movaps/vmovaps慢两倍。
因此，如果您不关心旧的微体系结构，两者在技术上是等同的。尽管如果您知道或期望数据对齐，您应该使用对齐指令来确保数据确实对齐，而不必在代码中添加显式检查。
我认为即使在 "Intel Nehalem and later (including Silvermont and later) and AMD Bulldozer and later" 上使用 _mm_loadu_ps 和 _mm_load_ps 之间也存在细微差别，这会对性能产生影响。
折叠一个负载的操作和另一个操作（例如乘法）只能用 load，而不是 loadu 内在函数来完成，除非你编译时启用了 AVX 以允许未对齐的内存操作数。
考虑以下代码
#include <x86intrin.h>
__m128 foo(float *x, float *y) {
__m128 vx = _mm_loadu_ps(x);
__m128 vy = _mm_loadu_ps(y);
return vx*vy;
}
这得到 converted to
movups xmm0, XMMWORD PTR [rdi]
movups xmm1, XMMWORD PTR [rsi]
mulps xmm0, xmm1
然而，如果使用了对齐加载内在函数 (_mm_load_ps)，它会被编译为
movaps xmm0, XMMWORD PTR [rdi]
mulps xmm0, XMMWORD PTR [rsi]
省了一条指令。但是如果编译器可以使用 VEX 编码加载，那就是 only two instructions for unaligned as well.
vmovups xmm0, XMMWORD PTR [rsi]
vmulps xmm0, xmm0, XMMWORD PTR [rdi]
尽管在 Intel Nehalem 及更高版本或 Silvermont 及更高版本或 AMD Bulldozer 及更高版本上使用指令 movaps 和 movups 时性能没有差异，但因此用于对齐访问。
但是 使用 _mm_loadu_ps 和 _mm_load_ps intrinsics 时性能会有所不同启用 AVX，在编译器的权衡不是 movaps 与 movups 的情况下，它介于 movups 或将加载折叠到 ALU 指令之间。 （当向量仅用作一个事物的输入时会发生这种情况，否则编译器将使用 mov* 加载将结果放入寄存器以供重用。）