如何将 4 个 32 位浮点数存储到一个 128 位 xmm 寄存器中？答案

【问题标题】：How to store 4 32 bit floats into one 128 bit xmm register?如何将 4 个 32 位浮点数存储到一个 128 位 xmm 寄存器中？
【发布时间】：2019-11-16 04:21:12
【问题描述】：

我想将 4 个 32 位浮点数存储到 xmm0 中，其中每个浮点数都存储在一个 128 位寄存器中。例如我有 4 个花车： xmm1: 10.2 xmm2: 5.8 xmm3: 9.3 xmm4：12.7（每个只使用 128 位寄存器的 32 位）并希望它们像这样存储到 xmm0 中： 10.2、5.8、9.3、12.7 以便将它们存储在 xmm0 内的旁边。

然后我还想在对 xmm0 做了一些数学运算后分别提取它们（例如 mulps ..）

我尝试过使用 movlps 和 movhps，但它们只使用内存来加载，而不是使用 128 位寄存器作为源。由于性能原因，我不想使用任何额外的内存。

PSLLDQ 可能会有所帮助，但我的问题是否有更好的解决方案？

【问题讨论】：

PSLLD 不会像您认为的那样做。它不会移动双字本身，它会移动每个双字内的位。请改用SHUFPS 或PSLLDQ。
I asked GCC and clang to do it。他们将xmm1..4 合并为xmm0。两者都使用 3 条指令，每条指令都应使用端口 5 和 1c lat/tput（但我只浏览了 Agner Fog 的表格并且仅适用于 SklX）。但是如果我没记错的话，gcc one 只使用 SSE 扩展。
unpcklps 和 movlhps 可以将内存或其他寄存器作为第二个参数。如果您不需要 AVX 指令，只需获取@MargaretBloom 的链接并将-march=cannonlake 替换为-msse（或-msse4.2，或您喜欢的任何指令集）：godbolt.org/z/ruhVhl
@MargaretBloom：我不知道有什么方法可以用 SSE/AVX2 击败 3 端口 5 微指令。到目前为止，最明显的方法是 2x unpcklps + unpcklpd 或 movlhps。但是既然你提到了它，如果你可以使用shufps 将你的输入输入到[abxx] [xxcd]，或者实际上可能：[axcx] [xbxd]（因为 shufps 输出的低 2 个元素来自第一个 source=dst，另一半来自另一个源。）x86-64 GCC 默认使用基线 x86-64，即 SSE1 + SSE2。跨度>
@pedzer：查看_mm_set_ps(f3,f2,f1,f0) 的编译器输出。或者查看 Agner Fog 的优化指南：他有一章是关于 SSE/AVX 的，其中有一个方便的按类型列出的数据移动指令表。 agner.org/optimize

标签： assembly x86 x86-64 sse simd

【解决方案1】：

查看 compiler output for _mm_set_ps(f3,f2,f1,f0) 或 _mm_setr_ps(f0,f1,f2,f3) 以及您选择的曲调和 -march 选项。

或者看看Agner Fog's optimization guide：他有一章是关于 SSE/AVX 的，里面有一个方便的按类型列出的数据移动指令表。非常适合了解在高度非正交的 SSE/AVX 扩展中可以使用哪些 shuffle。

正如人们所指出的那样，标准方法是 2x unpcklps 将对合并到 [00ba] [00dc] 的向量中，其中 0 是一个无关值，或者实际上 0.0 如果上层元素你的标量浮点数恰好为零。（我的符号遵循 Intel 惯例，图中高元素位于 left，因此左移将数据移动到符号的左侧，并且查看具有不同元素宽度的数据不会改变你是怎么写的。）

然后movlhps将一个xmm寄存器的低位qword复制到另一个xmm寄存器的高位qword（合并到现有值中）。

如果这对您来说不是很明显且不为人所知，那么您应该使用带有内在函数的 C 语言编写，并查看优化的编译器输出以了解基本方法。 clang 有一个非常好的 shuffle 优化器，可以找到更好的方法将内在函数的逻辑实现到 asm 中。

可能有更好的方法：

这 3 条指令都是随机播放的，并且在英特尔 Sandybridge 系列 CPU 上，每个时钟的吞吐量限制为 1 条（竞争端口 5）。

如果我们有可用于blendps 的 SSE4.1（带有即时混合控制），我们也许可以将其用作最后一步，而不是随机播放。它可以在任何端口上运行。

我认为我们可以使用shufps 来创建[0c0a] 和[d0b0] 的向量。 shufps 输出的低 2 个元素来自第一个 source=dst 操作数，另一半来自另一个源。

如果您的输入向量实际上是零扩展且绝对没有高垃圾，您可以使用 SSE1 orps 而不是混合来获得 [dcba]

【讨论】：