_mm_movelh_ps 的 AVX 等价物
AVX equivalent for _mm_movelh_ps
因为 _mm_movelh_ps 没有 AVX 版本，所以我通常使用 _mm256_shuffle_ps(a, b, 0x44) 作为 AVX 寄存器的替代品。但是，我记得在其他问题中读过，如果可能的话，应该首选没有控制整数的调配指令（如 _mm256_unpacklo_ps 或 _mm_movelh_ps）（出于某种我不知道的原因）。昨天，我想到另一种选择可能是使用以下内容：
_mm256_castpd_ps(_mm256_unpacklo_pd(_mm256_castps_pd(a), _mm256_castps_pd(b)));
由于强制转换应该是无操作的，这 better\equal\worse 比使用 _mm256_shuffle_ps 性能更好吗？
此外，如果确实如此，如果有人能用简单的语言解释（我对汇编和微体系结构的理解非常有限）为什么人们应该更喜欢没有控制整数的指令，那就太好了。
提前致谢
补充说明：
Clang 实际上将 shuffle 优化为 vunpcklpd: https://godbolt.org/z/9XFP8D
所以看来我的想法还不错。但是，GCC 和 ICC 创建了随机播放指令。
避免立即数节省 1 个字节的机器代码大小；就这样。出于性能方面的考虑，它位于列表的底部，但由于这个原因，所有其他类似 _mm256_unpacklo_pd 和隐式 "control" 的随机播放都比直接控制字节好一点。
(但是将控制操作数放在另一个向量中，如 vpermilps can 或 vpermd requires 通常更糟，除非你在 long-运行 中有一些奇怪的前端瓶颈ning 循环，并可以在循环外加载 shuffle 控件。不太合理，此时你必须在 asm 中手工编写才能关心代码 size/alignment；在 C++ 中，这仍然不是什么真的可以直接控制。）
Since the casts are supposed to be no-ops, is this better\equal\worse than using _mm256_shuffle_ps regarding performance?
Ice Lake 有 2/clock vshufps vs. 1/clock vunpcklpd，根据 uops.info 在真实硬件上的测试， 运行在端口 1 或端口 5 上连接。绝对使用 _mm256_shuffle_ps。微不足道的额外代码大小成本实际上可能根本不会对早期的 CPU 造成任何伤害，并且对于 ICL 的未来利益来说可能是值得的，除非您确定端口 5 不会成为瓶颈。
Ice Lake 在端口 1 上有一个第二个洗牌单元，可以处理一些常见的 XMM 和通道内 YMM 洗牌，包括 vpshufb 和显然一些像 vshufps 这样的 2 输入洗牌。我不知道为什么它不只是使用该控制向量将 vunpcklpd 解码为 vshufps，或者设法 运行 在端口 1 上随机播放。我们知道随机播放硬件本身可以进行随机播放，所以我想这只是控制硬件的问题来设置隐式随机播放，以某种方式将操作码映射到随机播放控件。
除此之外，它在较旧的 AVX CPU 上相同或更好；没有 CPU 会因在其他 PS 指令之间使用 PD 随机播放而受到惩罚。任何现有 CPU 的唯一不同是代码大小。 K8 和 Core 2 等旧 CPU 的 pd 洗牌速度比 ps 快，但没有带有 AVX 的 CPU 具有具有该弱点的洗牌单元。此外，AVX 非破坏性指令级别差异，其中操作数必须是目标。
正如您从 Godbolt link 中看到的那样，随机播放的额外指令为零 before/after。 "cast" 内在函数不进行转换，只是重新解释以使 C++ 类型系统满意，因为英特尔决定为 __m256 与 __m256d（与 __m256i 提供单独的类型)，而不是拥有一种通用的 YMM 类型。不过，他们选择不像 ARM 那样使用单独的 uint8x16 与 uint32x4 向量；对于整数 SIMD 只是 __m256i.
所以编译器不需要为强制转换发出额外的指令，在实践中确实如此；他们不会引入额外的 vmovaps/apd 注册副本或类似的东西。
如果您使用的是 clang，您可以方便地编写它，让 clang 的 shuffle 优化器为您发出 vunpcklpd。或者在其他情况下，无论如何都要做任何事情；有时它做出的选择比来源更糟糕，但通常它做得很好。
Clang 用 -march=icelake-client 搞错了，即使你写 _mm256_shuffle_ps 仍然使用 vunpcklpd。 （或者根据周围的代码，可能会将洗牌优化为其他内容的一部分。）
因为 _mm_movelh_ps 没有 AVX 版本，所以我通常使用 _mm256_shuffle_ps(a, b, 0x44) 作为 AVX 寄存器的替代品。但是，我记得在其他问题中读过，如果可能的话，应该首选没有控制整数的调配指令（如 _mm256_unpacklo_ps 或 _mm_movelh_ps）（出于某种我不知道的原因）。昨天，我想到另一种选择可能是使用以下内容：
_mm256_castpd_ps(_mm256_unpacklo_pd(_mm256_castps_pd(a), _mm256_castps_pd(b)));
由于强制转换应该是无操作的，这 better\equal\worse 比使用 _mm256_shuffle_ps 性能更好吗？
此外，如果确实如此，如果有人能用简单的语言解释（我对汇编和微体系结构的理解非常有限）为什么人们应该更喜欢没有控制整数的指令，那就太好了。
提前致谢
补充说明：
Clang 实际上将 shuffle 优化为 vunpcklpd: https://godbolt.org/z/9XFP8D
所以看来我的想法还不错。但是，GCC 和 ICC 创建了随机播放指令。
避免立即数节省 1 个字节的机器代码大小；就这样。出于性能方面的考虑，它位于列表的底部，但由于这个原因，所有其他类似 _mm256_unpacklo_pd 和隐式 "control" 的随机播放都比直接控制字节好一点。
(但是将控制操作数放在另一个向量中，如 vpermilps can 或 vpermd requires 通常更糟，除非你在 long-运行 中有一些奇怪的前端瓶颈ning 循环，并可以在循环外加载 shuffle 控件。不太合理，此时你必须在 asm 中手工编写才能关心代码 size/alignment；在 C++ 中，这仍然不是什么真的可以直接控制。）
Since the casts are supposed to be no-ops, is this better\equal\worse than using
_mm256_shuffle_psregarding performance?
Ice Lake 有 2/clock vshufps vs. 1/clock vunpcklpd，根据 uops.info 在真实硬件上的测试， 运行在端口 1 或端口 5 上连接。绝对使用 _mm256_shuffle_ps。微不足道的额外代码大小成本实际上可能根本不会对早期的 CPU 造成任何伤害，并且对于 ICL 的未来利益来说可能是值得的，除非您确定端口 5 不会成为瓶颈。
Ice Lake 在端口 1 上有一个第二个洗牌单元，可以处理一些常见的 XMM 和通道内 YMM 洗牌，包括 vpshufb 和显然一些像 vshufps 这样的 2 输入洗牌。我不知道为什么它不只是使用该控制向量将 vunpcklpd 解码为 vshufps，或者设法 运行 在端口 1 上随机播放。我们知道随机播放硬件本身可以进行随机播放，所以我想这只是控制硬件的问题来设置隐式随机播放，以某种方式将操作码映射到随机播放控件。
除此之外，它在较旧的 AVX CPU 上相同或更好；没有 CPU 会因在其他 PS 指令之间使用 PD 随机播放而受到惩罚。任何现有 CPU 的唯一不同是代码大小。 K8 和 Core 2 等旧 CPU 的 pd 洗牌速度比 ps 快，但没有带有 AVX 的 CPU 具有具有该弱点的洗牌单元。此外，AVX 非破坏性指令级别差异，其中操作数必须是目标。
正如您从 Godbolt link 中看到的那样，随机播放的额外指令为零 before/after。 "cast" 内在函数不进行转换，只是重新解释以使 C++ 类型系统满意，因为英特尔决定为 __m256 与 __m256d（与 __m256i 提供单独的类型)，而不是拥有一种通用的 YMM 类型。不过，他们选择不像 ARM 那样使用单独的 uint8x16 与 uint32x4 向量；对于整数 SIMD 只是 __m256i.
所以编译器不需要为强制转换发出额外的指令，在实践中确实如此；他们不会引入额外的 vmovaps/apd 注册副本或类似的东西。
如果您使用的是 clang，您可以方便地编写它，让 clang 的 shuffle 优化器为您发出 vunpcklpd。或者在其他情况下，无论如何都要做任何事情；有时它做出的选择比来源更糟糕，但通常它做得很好。
Clang 用 -march=icelake-client 搞错了，即使你写 _mm256_shuffle_ps 仍然使用 vunpcklpd。 （或者根据周围的代码，可能会将洗牌优化为其他内容的一部分。）