如何将4个32位浮点数存储到一个128位xmm寄存器中？

Question

我希望将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个浮点数： xmm1: 10.2 xmm2: 5.8 xmm3: 9.3 xmm4: 12.7（每个仅使用了128位寄存器的32位） 并希望将它们存储到xmm0中，如下所示： 10.2, 5.8, 9.3, 12.7， 以便它们在xmm0中相邻地存储。

然后，在对xmm0进行一些运算（例如mulps...）之后，我还想单独提取它们中的每一个。

我尝试过使用movlps和movhps，但它们只使用内存加载，而不使用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可能有帮助，但是否有更好的解决方案来解决我的问题呢？

- pedzer

---

“PSLLD”并不能做你想做的事情。它不会转移双字本身，而是转移每个双字内部的位。请尝试使用“SHUFPS”或“PSLLDQ”。 - Jester

我请求GCC和Clang来实现这个操作（https://godbolt.org/z/SDR4Ov），将`xmm1..4`合并到`xmm0`中。两者都使用了3条指令，每个指令都应该使用端口5，延迟/吞吐量为1c（但我只浏览了Agner Fog的表格，并且仅限于SklX）。然而，如果我没记错的话，GCC只使用了SSE扩展。 - Margaret Bloom

unpcklps和movlhps可以将内存或另一个寄存器作为第二个参数。如果您不想使用AVX指令，只需使用@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）：https://godbolt.org/z/ruhVhl - chtz

@MargaretBloom：我不知道有什么方法可以用SSE/AVX2打败3 port5 uops。显然最明显的方法是2x unpcklps + unpcklpd 或者 movlhps。但是既然你提到了，如果你能使用shufps将输入设置为[abxx] [xxcd]，或者实际上可能是[axcx] [xbxd]（因为shufps输出的低2个元素来自第一个源=dst，另一半来自另一个源），那么你可能可以设置第三条指令为高效的blendps立即数。x86-64 GCC默认使用基线x86-64，即SSE1 + SSE2。 - Peter Cordes

@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：他有一章关于 SSE/AVX，其中包含按类型分类的数据移动指令方便的表格。https://agner.org/optimize/ - Peter Cordes

Answer 1

查看使用您选择的调整和-march选项的_mm_set_ps(f3,f2,f1,f0)编译器输出或者使用_mm_setr_ps(f0,f1,f2,f3)。请注意，不同的选项可能会产生不同的结果。

或者查看Agner Fog的优化指南：他有一章关于SSE/AVX的内容，并提供了一个方便的按类型分类的数据移动指令表。这对于了解高度非正交的SSE/AVX扩展中可用的洗牌方式非常有帮助。

---

人们已经指出，标准方法是使用2x unpcklps 将一对转换为向量[00ba] [00dc]，其中0是一个不关心的值或实际上是0.0，如果你的标量浮点数的上部元素恰好为零。(我的符号遵循英特尔的约定，即将高元素放在左边的图示中，因此在您的符号中，左移将数据向左移动，并且使用不同的元素宽度查看数据不会改变写入方式。)

然后使用movlhps 将一个xmm寄存器的低qword复制到另一个寄存器的高qword(合并到现有值)。

如果这对您来说不明显或不熟悉，您应该使用内部函数编写C代码，并查看优化的编译器输出以了解基本方法。clang具有非常好的洗牌优化器，可以找到更好的方法将您内部函数的逻辑实现为汇编语言。

---

也许有更好的方法：

这三个指令都是洗牌指令，在英特尔 Sandybridge 系列 CPU 上每时钟周期只能执行一次（竞争第 5 口）。

如果我们可以使用 SSE4.1 中的 blendps（带有立即混合控制），我们可能可以将其用作最后一步，而不是洗牌。它可以在任何口上运行。

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

如果您的输入向量实际上被零扩展并且绝对没有高垃圾，则可以使用 SSE1 的 orps 代替混合以获得 [dcba]。

- Peter Cordes