c - 在一个 _mm_load_si128 上使用两个 _mm_loadl_epi64

Question

我需要使用 16 位值(正值)并将它们提升到 32 位。

使用 SIMD(我仅限于 SSE3)，这是我想出的两个选项:

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()); 

我应该选择哪种方法？使用第二种方法比第一种方法有任何性能改进吗？请注意，我已经更换了 _mm_loadu_si128带两个 _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。

如果您使用 1 寄存器寻址模式，punpcklo可以与内存操作数进行微融合，使整个从内存中解包的操作成为单个融合域 uop。如果你的循环索引到一个数组，而不是增加指针，那么去加载 2x128b 然后解包，因为 punpcklwd xmm0, [rsi + rax]不能微保险。

实际上，从头开始。 punpcklo仍然需要它的内存操作数是 16 字节对齐的。但是如果你的源数据是对齐的，你可以做一系列 punpcklo/punpckhi对，具有相同的地址。

如果您的内部函数最终编译为 4x 加载和 4x 解包，那至少会比 2x 加载和 4x 解包略差。

如果您不仅限于 SSE3，SSE4.1 的 PMOVZXWD xmm1, xmm2/m64将是完美的，因为它没有具有相应对齐要求的 128b 内存操作数。