我想要一个AVX2（或更早）的内在函数，它将一个8宽的32位整数向量（总共256位）转换为8宽16位整数向量（总共128位）[丢弃高16位]每个元素]。 这应该是＆＃34; _mm256_cvtepi16_epi32＆＃34;的倒数。 如果没有直接指令，我应该如何通过一系列指令来做到这一点？
答案 0 :(得分：5)
AVX512F之前没有单指令反转。 __m128i _mm256_cvtepi32_epi16(__m256i a) (VPMOVDW)，也可用于512-> 256或128-> low_half_of_128。 （输入小于512位ZMM寄存器的版本也需要AVX512VL，因此只需要Skylake-X，而不是Xeon Phi KNL。）
该AVX512指令有有符号/无符号饱和版本，但只有AVX512有一个打包指令（截断每个元素的高位字节）而不是饱和。
或者使用AVX512BW，您可以使用vpermi2w模拟一个包含交叉的双输入包，从而产生两个512位输入向量的512位结果。在Skylake-AVX512上，它解码为多个shuffle uops，但VPMOVDW也是如此，它也是一个小于dword（32位）的并行交换shuffle。 http://instlatx64.atw.hu/有一个SKX uops / ports的电子表格。
SSE2 / AVX2打包指令（如_mm256_packus_epi32（vpackusdw）执行有符号或无符号饱和，以及在每个128位通道内操作。这与vpmovzxwd的交叉行为不同。
但是，您可以_mm256_and_si256在打包之前清除高字节。如果你有多个输入向量，这可能会很好，因为packs_epi32需要2个输入向量并产生256位输出。
a = H G F E | D C B A 32-bit signed elements, shown from high element to low element, low 128-bit lane on the right
b = P O N M | L K J I
_mm256_packus_epi32(a, b) 16-bit unsigned elements
P O N M H G F E | L K J I D C B A
elements from first operand go to the low half of each lane
如果您可以有效地使用2x vpand / vpackuswd ymm / vpermq ymm来获得包含正确顺序的所有元素的256位向量，那么这就是＆＃39> s可能最好的英特尔CPU。每256位结果只有2个shuffle uops（4个uop），你可以将它们放在一个向量中。
或您可以使用SSSE3 / AVX2 vpshufb（_mm256_shuffle_epi8）从单个输入中提取所需的字节，并将每个128位的另一半归零lane（通过设置该元素的shuffle-control值来设置符号位）。然后使用AVX2 vpermq将两个通道中的数据混合到低128位。
__m256i trunc_elements = _mm256_shuffle_epi8(res256, shuffle_mask_32_to_16);
__m256i ordered = _mm256_permute4x64_epi64(trunc_elements, 0x58);
__m128i result = _mm256_castsi256_si128(ordered); // no asm instructions
因此，每128位结果为2 uop，但两个uop都是仅在支持AVX2的主流Intel CPU上的端口5上运行的shuffle。这可以作为循环的一部分，它可以完成大量工作，可以保持port0 / port1忙，或者无论如何都需要单独使用每个128位块。
对于Ryzen / Excavator，车道越过vpermq是昂贵的（因为他们将256位指令拆分为多个128位uop，并且没有真正的车道-crossing shuffle unit：http://agner.org/optimize/）。因此，您希望vextracti128 / vpor合并。或者也许vpunpcklqdq因此您可以使用set1_epi64加载相同的shuffle掩码，而不是需要一个完整的256位向量常量来将上部通道中的元素混洗到该通道的高64位。