从 AVX 寄存器中提取并存储交替的低 32 位

Question

我有一个 __m256i 寄存器，我想从每个 64 位组中提取 4 个低 32 位，将它们打包并连续存储到内存中。即，如果__m256i寄存器包含8个32位字：{a0，a1，a2，a3，a4，a5，a6，a7}，我想将四个字连续存储到内存中{a0，a2，a4，a6}

我想出了以下代码：

void mystore(uint32 *dst, const __m256i& src)
{
      __m256 ps256    = _mm256_castsi256_ps(src);
      __m128 lo128    = _mm256_extractf128_ps(ps256, 0);
      __m128 hi128    = _mm256_extractf128_ps(ps256, 1);
      __m128 pack128  = _mm_shuffle_ps(lo128, hi128, 0 + (2<<2) + (0<<4) + (2<<6));
      __m128i r    = _mm_castps_si128(pack);
     _mm256_storeu_si256( reinterpret_cast<__m128i*>(dst), r )
}

如果我是正确的，强制转换操作只是为了满足编译器类型检查，但它们实际上是等效的无操作，因此 shuffle 指令和 2 个提取指令的总延迟成本为 3，加上未对齐商店的成本。

有更快的方法吗？

谢谢

Answer 1

你可以试试这样的：

const __m256i K_PERM = _mm256_setr_epi32(0, 2, 4, 6, 1, 3, 5, 7);

inline void mystore(uint32_t * dst, const __m256i & src)
{
    __m256i permuted = _mm256_permutevar8x32_epi32(src, K_PERM);
    __m128i lo128 = _mm256_extractf128_si256(permuted, 0);
    _mm_storeu_si128((__m128i*)dst, lo128);
}