我想要一个 AVX2（或更早版本）内在函数，它将 8 宽 32 位整数向量（总共 256 位）转换为 8 位宽 16 位整数向量（总共 128 位）[丢弃高 16 位每个元素]。 这应该是“_mm256_cvtepi16_epi32”的倒数。 如果没有直接指令，我应该如何最好地使用一系列指令？
【问题讨论】：
_mm256_packs_epi32 使用原始向量和与输入相同的混洗版本，然后提取结果压缩向量的一半。
标签： x86 g++ intrinsics avx avx2
在 AVX512F 之前没有单指令逆。 __m128i _mm256_cvtepi32_epi16(__m256i a) (VPMOVDW)，也可用于 512->256 或 128->low_half_of_128。 （输入小于 512 位 ZMM 寄存器的版本也需要 AVX512VL，因此只有 Skylake-X，而不是 Xeon Phi KNL）。
该 AVX512 指令有带符号/无符号饱和版本，但只有 AVX512 具有截断（丢弃每个元素的高字节）而不是饱和的打包指令。
或者使用 AVX512BW，您可以使用 vpermi2w 模拟车道交叉 2 输入包，以从两个 512 位输入向量生成 512 位结果。在 Skylake-AVX512 上，它解码为多个 shuffle uop，但VPMOVDW 也是如此，这也是一个粒度小于 dword（32 位）的车道交叉 shuffle。 http://instlatx64.atw.hu/ 有一个 SKX 微指令/端口的电子表格。
像 _mm256_packus_epi32 (vpackusdw) 这样的 SSE2/AVX2 包指令会执行有符号或无符号饱和，以及在每个 128 位通道内运行。这与vpmovzxwd 的车道交叉行为不同。
不过，您可以_mm256_and_si256 在打包前清除高字节。如果您有多个输入向量，那可能会很好，因为packs_epi32 接受 2 个输入向量并产生 256 位输出。
a = H G F E | D C B A 32-bit signed elements, shown from high element to low element, low 128-bit lane on the right
b = P O N M | L K J I
_mm256_packus_epi32(a, b) 16-bit unsigned elements
P O N M H G F E | L K J I D C B A
elements from first operand go to the low half of each lane
如果您可以有效地使用 2x vpand / vpackuswd ymm / vpermq ymm 来获得所有元素按正确顺序排列的 256 位向量，那么这可能是 Intel CPU 上的最佳选择。每 256 位结果只有 2 个 shuffle uops（总共 4 个 uops），您可以将它们放在一个向量中。
或您可以使用 SSSE3 / AVX2 vpshufb (_mm256_shuffle_epi8) 从单个输入中提取所需的字节，并将每个 128 位通道的另一半归零（通过设置该元素的随机控制值以设置符号位）。然后使用 AVX2 vpermq 将两个通道中的数据混洗到低位 128 中。
__m256i trunc_elements = _mm256_shuffle_epi8(res256, shuffle_mask_32_to_16);
__m256i ordered = _mm256_permute4x64_epi64(trunc_elements, 0x58);
__m128i result = _mm256_castsi256_si128(ordered); // no asm instructions
所以这是每 128 位结果 2 个微指令，但是这两个微指令都是仅在支持 AVX2 的主流英特尔 CPU 上的端口 5 上运行的洗牌。作为循环的一部分，这很好，它可以做大量的工作来保持 port0 / port1 忙碌，或者如果你需要单独的每个 128 位块。
对于 Ryzen/Excavator，穿越车道 vpermq 很昂贵（因为它们将 256 位指令拆分为多个 128 位微指令，并且没有真正的车道交叉洗牌单元：http://agner.org/optimize/)。所以你想vextracti128 / vpor 合并。或者可能是vpunpcklqdq，这样您就可以使用set1_epi64 加载相同的随机掩码，而不需要一个完整的 256 位向量常量来将上通道中的元素随机播放到该通道的上 64 位。
【讨论】：
vextracti128 / vpor，因为在 Ryzen 上穿越车道 vpermq 很昂贵（它将 256 位操作分成 128 个）。