如何将两个打包的 64 位四字加载到 128 位 xmm 寄存器中
How to load two packed 64-bit quadwords into a 128-bit xmm register
我有两个 UInt64（即 64 位四字）整数。
- 它们与 8 字节（
sizeof(UInt64)）边界对齐（如果这对任何事情有用，我也可以将它们与 16 字节对齐）
- 它们被打包在一起，所以它们在内存中并排
如何将它们加载到 xmm 寄存器中，例如xmm0:
我发现：
movq xmm0, v[0]
但这只会移动 v[0]，并将 xmm0 中的高 64 位设置为零：
xmm0 0000000000000000 24FC18D93B2C9D8F
奖金问题
- 我如何让他们退出？
- 如果它们在内存中不是并排的怎么办？
- 如果它们是 4 字节对齐的怎么办？
编辑
正如 W. Chang 指出的那样，字节顺序化很少，我同意它是相反的：
我的难题是如何让他们进来，又让他们出去。
对于未对齐的 128 位加载，使用：
movups xmm0, [v0]：为float或double数据移动未对齐的单精度浮点数。 （movupd 长 1 个字节，但不会造成性能差异。）movdqu xmm0, [v0]: 移动未对齐的双四字
即使两个四字跨高速缓存行边界拆分，这通常也是吞吐量的最佳选择。 （在 AMD CPU 上，当负载不适合缓存行的对齐 32 字节块时，可能会受到惩罚，而不仅仅是 64 字节缓存行边界。但在 Intel 上，64 字节内存中的任何未对齐缓存行是免费的。）
如果您的负载正在提供整数 SIMD 指令，您可能需要 movdqu，即使 movups 在机器代码中短了 1 个字节。一些 CPU 可能关心不同类型负载的“域交叉”。对于存储并不重要，许多编译器总是使用 movups 甚至整数数据。
另请参阅 以了解有关未对齐负载成本的更多信息。 （SIMD 和其他）。
如果不是连续的，你最好的选择是
movq xmm0, [v0]: 移动四字movhps xmm0, [v1]：移动高压缩单精度浮点数。 （没有整数等价物，无论如何都要使用它。永远不要使用 movhpd，它不再有任何好处，因为没有 CPU 关心双精度与浮点数随机播放。）
或者在旧的 x86 上，比如 Core2 和其他旧的 CPU，即使 16 个字节都来自同一个缓存行，movups 仍然很慢，你可以使用
movq xmm0, [v0]: 移动四字movhps xmm0, [v0+8]: 移动高压缩单精度浮点数
movhps 比 SSE4.1 pinsrq xmm0, [v1], 1 稍有效率（2 微指令，不能在 Intel Sandybridge 系列上进行微熔断：1 微指令用于负载端口，1 微指令用于端口 5）。 movhps 是 1 个微融合 uop，但仍需要相同的后端端口：load + shuffle。
参见 Agner Fog 的 x86 优化指南；他有一个关于 SIMD 的章节，其中很大一部分是关于数据移动的。 https://agner.org/optimize/ And see other links in https://whosebug.com/tags/x86/info.
要取回数据，movups 可以用作存储，movlps/movhps 也可以将 qword 分散成两半。 （但不要使用 movlps 作为负载 - 它合并创建一个错误的依赖关系与 movq 或 movsd。）
movlps比movq少了1个字节，但都可以将一个xmm寄存器的低64位存入内存。编译器通常会忽略商店的域交叉（vec-int 与 vec-fp），因此您也应该：通常使用 SSE1 ...ps 指令，当它们与商店完全相同时。 （不适用于 reg-reg 移动；Nehalem 可以在 movaps 整数 SIMD 之间放慢速度，如 paddd，反之亦然。）
在所有情况下 AFAIK，除了实际的加/乘指令之外，没有 CPU 关心 float 与 double，没有 CPU 具有单独的 float 和 double绕过转发域。 ISA 设计保留了该选项，但在实践中，通过使用 movups 或 movaps 复制 double 向量来节省字节永远不会受到惩罚。或者使用 movlps 而不是 movlpd。 double 混洗有时很有用，因为 unpcklpd 类似于 punpcklqdq（交错 64 位元素）而 unpcklps 类似于 punpckldq（交错 32 位元素） ).
我有两个 UInt64（即 64 位四字）整数。
- 它们与 8 字节（
sizeof(UInt64)）边界对齐（如果这对任何事情有用，我也可以将它们与 16 字节对齐） - 它们被打包在一起，所以它们在内存中并排
如何将它们加载到 xmm 寄存器中，例如xmm0:
我发现：
movq xmm0, v[0]
但这只会移动 v[0]，并将 xmm0 中的高 64 位设置为零：
xmm0
0000000000000000 24FC18D93B2C9D8F
奖金问题
- 我如何让他们退出？
- 如果它们在内存中不是并排的怎么办？
- 如果它们是 4 字节对齐的怎么办？
编辑
正如 W. Chang 指出的那样，字节顺序化很少，我同意它是相反的：
我的难题是如何让他们进来，又让他们出去。
对于未对齐的 128 位加载，使用：
movups xmm0, [v0]：为float或double数据移动未对齐的单精度浮点数。 （movupd长 1 个字节，但不会造成性能差异。）movdqu xmm0, [v0]: 移动未对齐的双四字
即使两个四字跨高速缓存行边界拆分，这通常也是吞吐量的最佳选择。 （在 AMD CPU 上，当负载不适合缓存行的对齐 32 字节块时，可能会受到惩罚，而不仅仅是 64 字节缓存行边界。但在 Intel 上，64 字节内存中的任何未对齐缓存行是免费的。）
如果您的负载正在提供整数 SIMD 指令，您可能需要 movdqu，即使 movups 在机器代码中短了 1 个字节。一些 CPU 可能关心不同类型负载的“域交叉”。对于存储并不重要，许多编译器总是使用 movups 甚至整数数据。
另请参阅
如果不是连续的，你最好的选择是
movq xmm0, [v0]: 移动四字movhps xmm0, [v1]：移动高压缩单精度浮点数。 （没有整数等价物，无论如何都要使用它。永远不要使用movhpd，它不再有任何好处，因为没有 CPU 关心双精度与浮点数随机播放。）
或者在旧的 x86 上，比如 Core2 和其他旧的 CPU，即使 16 个字节都来自同一个缓存行，movups 仍然很慢，你可以使用
movq xmm0, [v0]: 移动四字movhps xmm0, [v0+8]: 移动高压缩单精度浮点数
movhps 比 SSE4.1 pinsrq xmm0, [v1], 1 稍有效率（2 微指令，不能在 Intel Sandybridge 系列上进行微熔断：1 微指令用于负载端口，1 微指令用于端口 5）。 movhps 是 1 个微融合 uop，但仍需要相同的后端端口：load + shuffle。
参见 Agner Fog 的 x86 优化指南；他有一个关于 SIMD 的章节，其中很大一部分是关于数据移动的。 https://agner.org/optimize/ And see other links in https://whosebug.com/tags/x86/info.
要取回数据，movups 可以用作存储，movlps/movhps 也可以将 qword 分散成两半。 （但不要使用 movlps 作为负载 - 它合并创建一个错误的依赖关系与 movq 或 movsd。）
movlps比movq少了1个字节，但都可以将一个xmm寄存器的低64位存入内存。编译器通常会忽略商店的域交叉（vec-int 与 vec-fp），因此您也应该：通常使用 SSE1 ...ps 指令，当它们与商店完全相同时。 （不适用于 reg-reg 移动；Nehalem 可以在 movaps 整数 SIMD 之间放慢速度，如 paddd，反之亦然。）
在所有情况下 AFAIK，除了实际的加/乘指令之外，没有 CPU 关心 float 与 double，没有 CPU 具有单独的 float 和 double绕过转发域。 ISA 设计保留了该选项，但在实践中，通过使用 movups 或 movaps 复制 double 向量来节省字节永远不会受到惩罚。或者使用 movlps 而不是 movlpd。 double 混洗有时很有用，因为 unpcklpd 类似于 punpcklqdq（交错 64 位元素）而 unpcklps 类似于 punpckldq（交错 32 位元素） ).