Question

我需要使用16位值（正值）并将它们提升为32位。

使用SIMD（我仅限SSE3），以下是我提出的两个选项：

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());

我应该去哪个approch？使用第二种方法比第一种方法有任何性能提升。请注意，我已将_mm_loadu_si128替换为两个_mm_loadl_epi64。

Answer 1

大多数情况下，您需要上下文来说明某些事情是更快还是更慢。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，使整个内存解包操作成为单个融合域uop。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然后解压缩，因为punpcklwd xmm0, [rsi + rax]不能微融合。

实际上，抓一点。 punpcklo仍然要求其内存操作数为16字节对齐。但是，如果源数据已对齐，您可以使用相同的地址执行一系列punpcklo / punpckhi对。

如果你的内在函数最终编译为4x负载和4x解压缩，那么至少会比2x负载和4x解包更差。

如果您不限于SSE3，SSE4.1的PMOVZXWD xmm1, xmm2/m64将是完美的，因为它没有128b内存操作数以及相应的对齐要求。

在一个_mm_load_si128上使用两个_mm_loadl_epi64

1 个答案: