如何将两个打包的64位Quadwords加载到128位Xmm寄存器中

Question

我有两个UInt64（即64位四字）整数。

• 它们与8字节（sizeof(UInt64)）边界对齐（如果有任何用处，我也可以将它们对齐16字节）
• 它们包装在一起，因此它们在内存中并排

如何将它们加载到xmm寄存器中，例如xmm0：

---

我发现：

movq xmm0, v[0]

但这只会移动 v[0] ，并将xmm0中的高64位设置为零：

  

xmm0 0000000000000000 24FC18D93B2C9D8F

奖金问题

• 如何退回他们？
• 如果它们不在内存中并排怎么办？
• 如果它们对齐4字节怎么办？

编辑

正如W. Chang所指出的那样，字节序化很少，我也可以采用其他方式：

我的难题是如何把它们拿出来，并把它们拿出来。

Answer 1

对于未对齐的128位负载，请使用：

• movups xmm0, [v0]：为float或double数据移动未对齐的单精度浮点数。 （{movupd长1个字节，但从不影响性能。）
• movdqu xmm0, [v0]：移动未对齐的双四边形

即使将两个quadwords跨高速缓存行边界分开，这通常也是吞吐量的最佳选择。 （在AMD CPU上，当负载不适合缓存行的对齐的32字节块，而不仅仅是64字节缓存行的边界时，可能会受到惩罚。但是在Intel，64字节内的任何未对齐缓存行是免费的。）

如果您的负载正在馈送整数SIMD指令，则即使movdqu在机器代码中短了1个字节，您也可能想要movups。一些CPU可能会关心不同类型的负载的“域交叉”。对于存储无关紧要，即使对于整数数据，许多编译器也始终使用movups。

---

有关未对齐负载的成本的更多信息，另请参见How can I accurately benchmark unaligned access speed on x86_64。 （SIMD等）。

如果不连续，那么最好的选择是

• movq xmm0, [v0]：移动四字词
• movhps xmm0, [v1]：移动高压缩单精度浮点数。 （没有等价的整数，无论​​如何都要使用。永远不要使用movhpd，因为没有CPU会关心double和float洗牌，所以它不再有用。）

或者在较旧的x86上（例如Core2和其他较旧的CPU上，movups仍然很慢，即使16个字节全部来自同一缓存行），您也可以使用

• movq xmm0, [v0] ：移动四字词
• movhps xmm0, [v0+8] ：移动高压缩单精度浮点数

movhps的效率比SSE4.1 pinsrq xmm0, [v1], 1略高（2 uop，不能在Intel Sandybridge系列上进行微熔丝：1 uop装载端口，1 uop装载端口5）。 movhps是1个微融合的uop，但仍需要相同的后端端口：load + shuffle。

请参阅Agner Fog的x86优化指南；他有一章关于SIMD，其中有很大一部分涉及数据移动。 https://agner.org/optimize/ ，并查看https://stackoverflow.com/tags/x86/info中的其他链接。

---

要获取数据，movups可以用作存储，movlps / movhps可以将qword的一半散开。 （但不要将movlps用作负载，它会与movq或movsd合并而产生虚假的依赖关系。）

movlps比movq小1个字节，但是两者都可以将xmm寄存器的低64位存储到内存中。编译器通常会忽略商店的跨域（vec-int与vec-fp），因此当它们完全等效时，您应该使用并使用SSE1 ...ps指令。

在所有情况下，FAIFK都不关心float与double的CPU，除了实际的加/乘指令外，没有其他处理器关心float和{{1 }}旁路转发域。 ISA设计使该选项保持打开状态，但实际上，通过使用double或movups在movaps的向量周围进行复制来保存字节永远不会受到任何惩罚。或使用double代替movlps。 movlpd随机播放有时很有用，因为double就像unpcklpd（交错64位元素），而punpcklqdq就像unpcklps（交错32位元素）。