__m256 值中将所有位设置为 1？
使用 AVX 或 AVX2 intrinsics？_mm256_setzero_si256()。_mm256_set1_epi64x(-1)，但我怀疑这比全零情况要慢。这里是否涉及到内存访问或标量/SSE/AVX切换？请参见高效地将CPU寄存器中的所有位设置为1,该文章涵盖了AVX、AVX2和AVX512 zmm和k(mask)寄存器。
显然你甚至没有查看汇编输出，这是很容易做到的：
#include <immintrin.h>
__m256i all_ones(void) { return _mm256_set1_epi64x(-1); }
编译使用GCC和clang，任何包含AVX2的-march都可以
vpcmpeqd ymm0, ymm0, ymm0
ret
__m256（而不是__m256i），您只需要将结果转换即可： __m256 nans = _mm256_castsi256_ps( _mm256_set1_epi32(-1) );
如果没有AVX2，一个可能的选择是 vcmptrueps dst, ymm0,ymm0 最好使用冷寄存器来输入以减轻假依赖。
最近的clang（5.0及以上版本）在AVX2不可用时对向量进行异或零操作，然后使用TRUE谓词进行vcmpps。旧版本的clang使用vpcmpeqd xmm生成128位全为1，然后使用vinsertf128。GCC从内存加载，即使是带有-march=sandybridge的现代GCC 10.1也是如此。
正如Agner Fog的优化汇编指南中向量部分所描述的那样，以这种方式动态生成常数是比较便宜的。虽然仍需要一个向量执行单元来生成全1（不同于_mm_setzero），但它比任何可能的两条指令序列都要好，通常也比加载更好。另请参见x86标签wiki。
__m128i float_signbit_mask = _mm_srli_epi32(_mm_set1_epi16(-1), 1)编写，编译器通常也会进行常量传播并将向量放入内存。这使得它们可以在后续使用中将其折叠为内存操作数，在没有循环来提升常量的情况下。
vxorps (_mm256_xor_ps) 与全1进行异或操作来实现。不幸的是，SSE/AVX没有提供一种无需向量常量进行NOT操作的方法。
FP vs 整数指令和旁路延迟
英特尔 CPU（至少 Skylake）存在一种奇怪的效应，即在 SIMD-整数和 SIMD-FP 之间的额外旁路延迟仍会在产生寄存器的 uop 执行后很长时间发生。例如，如果 ymm0 是由 vpcmpeqd 产生的，则 vmulps ymm1, ymm2, ymm0 的关键路径 ymm2 -> ymm1 可能会有一个额外的时钟周期的延迟。 如果您不覆盖 ymm0，则此延迟会持续到下一个上下文切换恢复 FP 状态。
对于像 vxorps 这样的位操作指令来说，这不是问题（即使助记符中有 ps，在 Skylake 上它也没有来自 FP 或 vec-int 域的旁路延迟，如果我没记错的话）。
因此，通常可以使用整数指令创建 set1(-1) 常量，因为它是 NaN，并且您通常不会将其与 FP 数学指令（如 mul 或 add）一起使用。
vpcmpeqd。Clang似乎会将_mm256_set1_epi64x(-1);优化为与_mm256_cmpeq_epi64(_mm256_setzero_si256(), _mm256_setzero_si256());相同的操作。 - Dan Mašek