我在内存中有一个对齐的整数数组，包含索引I0，I1，I2，I3。我的目标是将它们放入包含I0，I0 + 1，I1，I1 + 1，I2，I2 + 1，I3，I3 + 1的__m256i寄存器中。困难的部分是将它们作为I0，I0进入256位寄存器，I1，I1，I2，I2，I3，I3，之后我可以添加一个包含0,1,0,1,0,1,0,1的寄存器。
我发现了内部的_mm256_castsi128_si256，它允许我将4个整数加载到256位寄存器的低128位，但我很难找到最好的内在函数从那里使用。
任何帮助将不胜感激。我可以访问所有SSE版本，AVX和AVX2，并且只想使用内在函数来执行此操作。
编辑：
我认为这很有效，但在测试它的过程中，我的效率并不高。
// _mm128_load_si128: Loads 4 integer values into a temporary 128bit register.
// _mm256_broadcastsi128_si256: Copies 4 integer values in the 128 bit register to the low and high 128 bits of the 256 bit register.
__m256i tmpStuff = _mm256_broadcastsi128_si256 ((_mm_load_si128((__m128i*) indicesArray)));
// _mm256_unpacklo_epi32: Interleaves the integer values of source0 and source1.
__m256i indices = _mm256_unpacklo_epi32(tmpStuff, tmpStuff);
__m256i regToAdd = _mm256_set_epi32 (0, 1, 0, 1, 0, 1, 0, 1);
indices = _mm256_add_epi32(indices, regToAdd);
Edit2：上面的代码不起作用，因为_mm256_unpacklo_epi32的行为与我的想法不同。上面的代码将导致I0，I0 + 1，I1，I1 + 1，I0，I0 + 1，I1，I1 + 1.
Edit3：以下代码有效，但我不确定它是否最有效：
__m256i tmpStuff = _mm256_castsi128_si256(_mm_loadu_si128((__m128i*) indicesArray));
__m256i mask = _mm256_set_epi32 (3, 3, 2, 2, 1, 1, 0, 0);
__m256i indices= _mm256_permutevar8x32_epi32(tmpStuff, mask);
__m256i regToAdd = _mm256_set_epi32 (1, 0, 1, 0, 1, 0, 1, 0); // Set in reverse order.
indices= _mm256_add_epi32(indices, regToAdd);
答案 0 :(得分：8)
您的_mm256_permutevar8x32_epi32版本看起来非常适合英特尔CPU，除非我错过了将shuffle折叠成128b负载的方法。这可能对融合域uop吞吐量略有帮助，但对于未融合域则无效。
1次加载（vmovdqa），1次shuffle（vpermd，又名_mm256_permutevar8x32_epi32）和1次加载（vpaddd）非常轻量级。在英特尔，交叉路由的shuffle具有额外的延迟但没有更差的吞吐量。在AMD Ryzen，交叉洗牌更加昂贵。 （http://agner.org/optimize/）。
由于您可以使用AVX2，如果为vpermd加载随机播放掩码不是问题，那么您的解决方案就很棒。 （注册压力/缓存未命中）。
请注意_mm256_castsi128_si256并不能保证__m256i的高半部分全部为零。但是你并不依赖于此，所以你的代码完全没问题。
BTW，您可以使用一个256位加载，并使用vpermd以不同的方式解压缩。使用另一个mask，所有元素4更高。
另一种选择是未对齐的256b负载，在4个元素的中间包含泳道分割，因此您在高位底部有2个元素，低位顶部有2个元素车道。然后，您可以使用内置shuffle将数据放在需要的位置。但是在每个通道中它都是一个不同的shuffle，所以你仍然需要一个shuffle，它将控制操作数放在一个寄存器（不是一个立即数）中，在一次操作中完成它。 （vpshufd和vpermilps imm8为两个通道循环使用相同的立即数。）直接影响上/下通道的不同位的唯一混洗是qword粒度混洗，如vpermq（{{ 1}}，而不是_mm256_permutex_epi64）。
您可以使用vpermilps ymm,ymm,ymm或permutexvar（vpshufb）来实现这一目标，这将在Ryzen上比跨越_mm256_shuffle_epi8更高效（可能是3 uops /根据{{3}}
vpermd相同
但是当你的数据已经对齐时，使用未对齐的负载并不吸引人，并且所有增益都是在车道内与车道交叉的混乱。如果您需要16位或8位粒度混洗，那么它可能是值得的（因为在AVX512之前没有交叉字节或字随机播放，并且在Skylake-AVX512上vpermps是多个uops 。）
避免shuffle-mask矢量常量的替代方案，但性能更差（因为它需要两倍的shuffle）：
Agner Fog是将上面的两个元素放入上部128位通道的另一种选择。
vpermw或者，如果shuffle端口是整个循环的瓶颈，则可能比上面的2-shuffle版本更高的吞吐量。 （但仍然比; slow, not recommended. Avoids using a register for shuffle-control, though.
vpmovzxdq ymm0, [src]
vpshufd ymm1, ymm0, _MM_SHUFFLE(2,2, 0,0) ; duplicate elements
vpaddd ...
版本差。）
vpermd这有一些指令级并行：OR可以与shift并行运行。但是更多的uops仍然很糟糕;如果你没有使用矢量regs，那么最好使用内存中的shuffle-control向量。