効率的な（Ryzen上で）__m256の奇数要素を__m128に抽出する方法はありますか？

Question

AVXレジスタの64ビットコンポーネントの上位/下位32ビットコンポーネントをSSEレジスタに再パックするための本質的な方法または別の効率的な方法はありますか？ AVX2を使用したソリューションは問題ありません。

は、これまでのところ私は、次のコードを使用していますが、プロファイラは、それがRyzen 1800Xに遅いと言う：

インテルで

// Global constant 
const __m256i gHigh32Permute = _mm256_set_epi32(0, 0, 0, 0, 7, 5, 3, 1); 

// ... 

// function code 
__m256i x = /* computed here */; 
const __m128i high32 = _mm256_castsi256_si128(_mm256_permutevar8x32_epi32(x), 
    gHigh32Permute); // This seems to take 3 cycles 

Answer 1

、あなたのコードが最適でしょう。あなたが得る最高のものは、1-uopのインストラクションです。 （入力ベクトルがロードや何かではなくpd命令で作成されている場合は、vpermpsを使用してint/FPバイパス遅延のリスクを回避することをお勧めします）FPシャッフルの結果を整数命令への入力として使用すると、通常はIntel上で問題ありませんが、FP命令の結果を整数シャッフルに与えることはあまり確実ではありません）。

Intel用にチューニングする場合、周囲のコードを変更して底面にシャッフルできます64 - 各128bレーンのビットを使用して、レーン横断シャッフルを使用しないようにします。 （2入力vshufpsが遅いので、次に、あなただけのKNL、vpermilpsためvshufps ymm場合、またはチューニングを使用することができます。）

をAVX512で、_mm256_cvtepi64_epi32 (vpmovqd)は切り捨てて、レーン間の要素をパックているがあります。 Ryzenで

---

、車線交差シャッフルは遅いです。 Agner Fogにはvpermdの番号はありませんが、vpermps（内部では同じハードウェアを使用している可能性があります）は、3 uop、5c待ち時間、4cスループットあたり1つの割合でリストされています。

vextractf128 xmm, ymm, 1はRyzen（1cレイテンシ、0.33cスループット）上で非常に効率的ですが、256bレジスタを2つの128b半分として既に追跡しているので驚くことではありません。 shufpsも効率的（1cレイテンシ、0.5cスループット）で、2つの128bレジスタを必要な結果にシャッフルすることができます。

これにより、もう不要なシャッフルマスク2 vpermpsの2つのレジスタが保存されます。

だから私はお勧めしたい：インテルで

__m256d x = /* computed here */; 

// Tuned for Ryzen. Sub-optimal on Intel 
__m128 hi = _mm_castpd_ps(_mm256_extractf128_pd(x, 1)); 
__m128 lo = _mm_castpd_ps(_mm256_castpd256_pd128(x)); 
__m128 odd = _mm_shuffle_ps(lo, hi, _MM_SHUFFLE(3,1,3,1)); 
__m128 even = _mm_shuffle_ps(lo, hi, _MM_SHUFFLE(2,0,2,0)); 

を、最初の結果のための1Cの余分な待ち時間で、あなたに最適なスループットの2/3rdsを与える代わりに、2の3曲のシャッフルを使用します。