我已经使用SSE进行了计算以提高代码的性能，其中包括minimal working example。我已包含评论和编辑行，以使其尽可能清晰，请询问是否需要任何澄清。
我试图对N个位bit[0], ..., bit[N-1]求和，并将结果以二进制形式写入向量result[0], ..., result[bits_N-1]中，其中bits_N是将N写入二进制形式所需的位数。此和是逐位执行的：每个bit[i]是一个无符号的long long int，并且在其第j位中存储0或1。结果，我进行了64个求和，每个N位， 在平行下。
在80-105行中，我使用64位算术求和。
在第107-134行中，我使用SSE进行了此操作：我将总和bit[0], ...., bit[N/2-1]的前半部分分别存储在_m128i对象BIT[0], ..., BIT[N/2-1]的前64位中。同样，我将bit[N/2], ...., bit[N-1]分别存储在BIT[0], ..., BIT[N/2-1]的后64位中，并对所有BIT求和。到目前为止，一切正常，并且128位总和与64位总和花费相同的时间。但是，要收集最终结果，我需要将两个半部分相加，请参见第125-132行。这需要很长时间，并且使我失去了上交所获得的收益。
我正在2.80 GHz @ gcc 7.2.0的Intel（R）i7-4980HQ CPU上运行此程序。
您知道解决这个问题的方法吗？
答案 0 :(得分：1)
可以通过movq指令或_mm_storel_epi64 (__m128i* mem_addr, __m128i a);内部存储到内存或_mm_cvtsi128_si64存储到寄存器来简单地存储低部分。
还有一个_mm_storeh_pd对应项，它需要强制转换为pd，并且可能由于混合浮点数和整数而导致停顿。
当然可以使用_mm_shuffle_epi(src, 0x4e)将顶部移到下部，然后使用movq保存。