全零: pxor xmm0,xmm0 (或者 xorps xmm0,xmm0, 只是指令字节更短一点). 在现代CPU上没有太大区别, 但在 Nehalem 上(在 xor-zero 消除之前), xorps uop 只能在端口5上运行. 我认为这就是为什么编译器喜欢使用 pxor-zeroing 即使对于将与 FP 指令一起使用的寄存器也是如此.
全一: pcmpeqw xmm0,xmm0. 这是生成其他常量的常用起始点，因为它(像 pxor 一样)打破了对寄存器先前值的依赖(除了旧的 CPU 如 K10 和 pre-Core2 P6).
在 Agner Fog 的指令表中，W 版本与 pcmpeq 的字节或双字元素大小版本在任何 CPU 上都没有优势，但 pcmpeqQ 需要额外一个字节，在 Silvermont 上速度较慢并且需要 SSE4.1。
所以实际上并没有表格格式，所以我只会列出 Agner Fog 的表 13.10 的补充，而不是改进版本。 抱歉。也许如果这个答案变得流行起来，我会使用 ASCII 艺术表格生成器，但希望将来的指南版本会有所改进。
Agner Fog 的表生成了16位元素的向量，并使用 packuswb 来解决这个问题。例如，pcmpeqw xmm0,xmm0 / psrlw xmm0,15 / psllw xmm0,1 / packuswb xmm0,xmm0 生成一个每个字节都是 2 的向量。(这种移位模式，具有不同的计数，是生成更宽向量的大多数常量的主要方法)。有一种更好的方法:
paddb xmm0,xmm0 (SSE2) 可以作为带有字节粒度的左移一位，因此只需要两个指令(pcmpeqw / paddb)就可以生成一个向量为 -2 字节. 对于其他元素大小，paddw/d/q 作为左移一位比移位指令节省一个字节的机器代码，并且通常可以在更多的端口上运行。
pabsb xmm0,xmm0（SSSE3）将一个全为1的向量（-1）转换为一个1字节的向量，且不会破坏原有的set1(-1)向量。
有时候您并不需要set1(1)。您可以通过使用psubb减去-1来将每个元素加1。
我们可以通过pcmpeqw/paddb/pabsb生成2个字节的向量。（加法和绝对值操作的顺序并不重要）。pabs不需要imm8，但是只有在源寄存器为xmm8-15时才能为其他元素宽度节省代码字节而不是右移。 （vpabsb/w/d始终需要一个3字节的VEX前缀以进行VEX.128.66.0F38.WIG，但是vpsrlw dest,src,imm可以使用其VEX.NDD.128.66.0F.WIG的2字节VEX前缀）。
实际上，我们还可以通过pcmpeqw/pabsb/psllw xmm0, 2生成4等2的幂次方字节，所有通过字移位跨越字节边界的位都是零，这要归功于pabsb。显然，其他移位计数可以将单个设置位放在其他位置，包括符号位以生成一个-128（0x80）字节向量。请注意，pabsb是非破坏性的（目标操作数仅写入，不需要与源相同即可获得所需行为）。您可以将全1保留为常量，或者作为生成另一个常量的起点，或者作为psubb的源操作数（加1）。
也可以使用packsswb从任何饱和到-128的值生成一个0x80字节向量（参见上一段）。例如，如果您已经有一个用于其他用途的0xFF00向量，请复制它并使用packsswb。从内存加载的常量如果恰好饱和，则可能成为此类操作的潜在目标。
使用
pcmpeqw /
paddb xmm0,xmm0 /
psrlw xmm0, 1可以生成一个包含
0x7f字节的
向量。这比通常使用
pcmpeqw /
psrlw xmm0, 9 /
packuswb xmm0,xmm0生成每个字中值的技巧稍微更好。但是，在大多数CPU上，PADDB可以在比PACK更多的端口上运行。
使用
pavgb（SSE2）与零寄存器相反，可以右移一位，但只有该值为偶数时才可以。（它对临时变量进行无符号的
dst = (dst + src + 1) >> 1以进行四舍五入，并具有9位内部精度）。但似乎这对于常量生成不是很有用，因为0xff是奇数：
pxor xmm1,xmm1 /
pcmpeqw xmm0,xmm0 /
paddb xmm0,xmm0 /
pavgb xmm0, xmm1 生成的指令比移位和打包使用了一个更多的指令字节，但会产生相同的结果。但是，如果零寄存器已经被用于其他目的，则
paddb /
pavgb可以节省一个指令字节。
我已经测试了这些序列。最简单的方法是将它们放入
.asm文件中，进行汇编链接，然后在gdb上运行它。
layout asm，
display /x $xmm0.v16_int8命令可在每个单步后转储其结果，并使用
ni或
si命令进行单步执行。在
layout reg模式下，您可以使用
tui reg vec命令切换到向量寄存器显示模式，但这几乎是无用的，因为无法选择要显示的解释（总是会得到所有的解释，不能水平滚动，而且列之间不对齐）。 但是，它对于整数寄存器/标志非常有用。
请注意，使用这些操作指令可能会很棘手。编译器不喜欢操作未初始化的变量，因此应使用
_mm_undefined_si128()命令告诉编译器您的意思是什么。也许使用
_mm_set1_epi32(-1)命令可以使编译器发出
pcmpeqd same,same指令。如果没有这个命令，一些编译器将在使用之前对未初始化的向量变量进行异或零操作，甚至（MSVC）从堆栈中加载未初始化的内存。
许多常量可以通过利用SSE4.1的
pmovzx或
pmovsx在内存中更紧凑地存储，以进行零扩展或符号扩展。例如，一个由32位元素组成的128b向量
{1, 2, 3, 4}可以通过从32位内存位置进行
pmovzx加载生成。内存操作数可以与
pmovzx微融合，因此不需要任何额外的融合域uops。但是，它会阻止直接将常量用作内存操作数。
C/C++中使用
pmovz/sx作为加载的
内部支持非常糟糕：有
_mm_cvtepu8_epi32 (__m128i a)，但没有接受
uint32_t *指针操作数的版本。您可以绕过它，但这很丑陋，并且编译器优化失败是一个问题。请参见链接的问题以获取详细信息和到gcc错误报告的链接。
对于256b和（不久的）512b常量，内存中的节省更大。但是，只有当多个有用的常量可以共享高速缓存行时，这才非常重要。
FP的等效物是
VCVTPH2PS xmm1, xmm2/m64，需要F16C（半精度）特征标志。 （还有一个存储指令，将单个打包到一半，但没有在半精度上进行计算。这只是内存带宽/缓存占用优化。）
当所有元素都相同时（但不适合即时生成），
pshufd或AVX
vbroadcastps / AVX2
vpbroadcastb/w/d/q/i128非常有用。
pshufd可以采用内存源操作数，但必须为128b。
movddup（SSE3）执行64位加载，广播以填充128b寄存器。在Intel上，它不需要ALU执行单元，只需要加载端口。 （类似地，AVX
v[p]broadcast加载大小为dword及更大的数据也在加载单元中处理，而无需ALU）。
当您要将掩码加载到寄存器中以在循环中重复使用时，广播或
pmovz/sx非常适用于节省可执行文件大小。从一个起点生成多个类似的掩码也可以节省空间，如果只需要一个指令。
参见
For for an SSE vector that has all the same components, generate on the fly or precompute?，该问题更多地询问使用
set1内部函数的情况，不清楚它是否涉及常量或变量的广播。
我还对广播的编译器输出进行了一些实验。
如果缓存未命中是一个问题，请查看您的代码，并查看编译器在将相同的函数内联到不同的调用者时是否已复制了_mm_set常量。同时要注意，一起使用的常量（例如，在一个接一个调用的函数中）被分散到不同的缓存行中。许多分散的常量加载比从靠近彼此的位置加载很多常量要糟糕得多。
pmovzx和/或广播加载允许您将更多的常量打包到缓存行中，非常低的开销将它们加载到寄存器中。加载不会成为关键路径上的操作，因此即使需要额外的微操作，它也可以在长时间窗口内的任何周期中占用一个免费的执行单元。
clang实际上做得很好：不同函数中的
set1常量被识别为相同，就像相同的字符串字面量可以合并一样。请注意，clang的汇编源代码输出似乎显示每个函数都有其自己的常量副本，但二进制反汇编显示所有那些RIP相对有效地址都引用同一个位置。对于重复函数的256b版本，clang还使用
vbroadcastsd只需要一个8B加载，代价是每个函数多了一条指令。(这是在
-O3下进行的，因此显然clang开发人员已经意识到大小对性能很重要，而不仅仅是对
-Os.)我不知道为什么它不会用
vbroadcastss将常量降至4B，因为速度应该一样快。不幸的是，vbroadcast并不简单地来自其他函数使用的16B常量的一部分。这也许是有道理的：某个东西的AVX版本可能只能将某些常量与SSE版本合并。最好让带着SSE常量的内存页面完全不活跃，并让AVX版本将所有常量保持在一起。此外，这是一个更难的模式匹配问题，需要在汇编或链接时间处理(无论是怎么做的，我都没有阅读每个指令来找出哪个指令启用了合并)。
GCC 5.3同样合并常量，但不使用广播加载来压缩32B常量。同时16B常量不会与32B常量重叠。
GCC12开始倾向于在AVX可用时动态构建某些矢量常量，但始终使用mov reg，imm64 / vmovq / shuffle。即使模式简单且重复，它也将使用笨重的64位立即数和vpunpcklqdq而不是5字节的mov eax，imm32和字广播。与此反过来的是，对于一个微不足道的set1_epi16(0x00ff)，它没有进行动态构建（pcmpeqd / psrlw xmm，8）。https://godbolt.org/z/78cMaxjMz
有了AVX-512，mov r，imm / vpbroadcastd x/y/zmm, eax 只需2条指令。（在英特尔处理器中，vpbroadcastd ymm0，eax 为1个微操作码，在Zen 4上为2个微操作码）。这使得用这种方式构建向量更具吸引力，对于编译器来说更容易实现。
