assembly - 是否有更好的 AVX 指令来从 3 ymm 寄存器移动数据？

Question

我有三个 ymm 寄存器 - ymm4、ymm5 和 ymm6 - 包含 double (qword) float :

ymm4:   73  144 168 41
ymm5:   144 348 26  144
ymm6:   732 83  144 852

我想写出上面矩阵的每一列。例如:

-- extract ymm4[63:0] and insert it at ymm0[63:0]
-- extract ymm5[63:0] and insert it at ymm0[127:64]
-- extract ymm6[63:0] and insert it at ymm0[191:128]

这样 ymm0 就会读取 73, 144, 732。

到目前为止我已经使用过:

mov rax,4
kmovq k6,rax
vpxor ymm1,ymm1
VEXPANDPD ymm1{k6}{z},ymm6

这会导致 ymm1 读取 [ 0 0 732 ]，因此我已经完成了第一步，因为 732 是 ymm6 中 [63:0] 处的元素。

对于 ymm4 和 ymm5，我使用 vblendpd:

vblendpd ymm0,ymm1,ymm4,1

这会导致 ymm0 读取 [ 73 0 732 ]，因此我完成了第二步，因为 73 是 ymm4 中 [63:0] 处的元素。

现在我需要将 ymm5[63:0] 放在 ymm0[127:64] 处:

vblendpd ymm0,ymm0,ymm5,2

这会导致 ymm0 读取 [ 73 144 732 ]，所以现在我完成了第一列 [63:0]。

但现在我需要对 ymm 寄存器中的第 2、3 和 4 列执行相同的操作。在添加更多说明之前，这是执行我所描述的操作的最有效方法吗？还有其他更有效的方法吗？

我已经研究了 unpckhpd ( https://www.felixcloutier.com/x86/unpckhpd )、vblendpd ( https://www.felixcloutier.com/x86/blendpd 和 vshufpd ( https://www.felixcloutier.com/x86/shufpd )，上面显示的似乎是最好的解决方案，但它有很多指令，并且编码显示在imm8 值的文档有些不透明。是否有更好的方法来提取三个 ymm 寄存器的相应列？

Answer 1

让我们这样命名矩阵元素:

YMM0 = [A,B,C,D]
YMM1 = [E,F,G,H]
YMM2 = [I,J,K,L]

最终，您想要这样的结果，其中 * 表示“不关心”。

YMM0 = [A,E,I,*]
YMM1 = [B,F,J,*]
YMM2 = [C,G,K,*]
YMM3 = [D,H,K,*]

为了实现这一点，我们将矩阵扩展到 4×4(想象另一行只有 [*,*,*,*])，然后转置矩阵。这分两步完成:首先，对每个 2×2 子矩阵进行转置。然后，交换左上角和右下角的矩阵:

[A,B,C,D]       [A,E,C,G]       [A,E,I,*]
[E,F,G,H]  --\  [B,F,D,H]  --\  [B,F,J,*]
[I,J,K,L]  --/  [I,*,K,*]  --/  [C,G,K,*]
[*,*,*,*]       [J,*,L,*]       [D,H,L,*]

对于 ymm0 和 ymm1 中的第一步，我们使用一对解包指令:

vunpcklpd %ymm1, %ymm0, %ymm4         // YMM4 = [A,E,C,G]
vunpckhpd %ymm1, %ymm0, %ymm5         // YMM5 = [B,F,D,H]

第 3 行暂时保留在 ymm2 中，因为不需要更改。第 4 行是通过将 ymm2 与其自身解压得到的:

vunpckhpd %ymm2, %ymm2, %ymm6         // YMM5 = [J,*,L,*]

第二步是通过混合和交换车道两次来实现的:

vblendpd $0xa, %ymm2, %ymm4, %ymm0    // YMM0 = [A,E,I,*]
vblendpd $0xa, %ymm6, %ymm5, %ymm1    // YMM1 = [B,F,J,*]
vperm2f128 $0x31, %ymm2, %ymm4, %ymm2 // YMM2 = [C,G,K,*]
vperm2f128 $0x31, %ymm6, %ymm5, %ymm3 // YMM3 = [D,H,L,*]

这用 7 条指令实现了所需的排列。

请注意，由于这些指令都不需要 AVX2，因此该代码将在仅具有 AVX 的 Sandy Bridge 处理器上运行。