shuffle / permute内在函数如何适用于256位pd？

Question

我试图围绕_mm256_shuffle_pd和_mm256_permute_pd内在函数如何工作。 我似乎无法预测其中一项操作的结果。

首先，对于_mm_shuffle_ps一切都很好。 我得到的结果是我期待的结果。 例如：

float b[4] = { 1.12, 2.22, 3.33, 4.44 };

__m128 a = _mm_load_ps(&b[0]);
a = _mm_shuffle_ps(a, a, _MM_SHUFFLE(3, 0, 1, 2));
_mm_store_ps(&b[0], a);
// 3.33 2.22 1.12 4.44

所以一切都在这里。 现在我想用__m256d尝试这个，这是我目前在我的代码中使用的。 从我发现的_mm256_shuffle_ps / pd内在函数的工作方式不同。

我的理解是控制掩码应用了两次。 第一次在128位的前半部分，第二次在最后的128位。 前两对控制位用于从第一矢量中选择（并将值存储在第一和第二字以及结果矢量的第五和第六字中），而最高位对选择第二矢量。 例如：

float b[8] = { 1.12, 2.22, 3.33, 4.44, 5.55, 6.66, 7.77, 8.88 };

__m256 a = _mm256_load_ps(&b[0]);
a = _mm256_shuffle_ps(a, a, 0b00000111);
_mm256_store_ps(&b[0], a);
// 4.44 2.22 1.12 1.12 8.88 6.66 5.55 5.55

这里我期望（我实际得到的）结果是{ 4.44, 2.22, 1.12, 1.12, 8.88, 6.66, 5.55, 5.55 }

这应该如下工作：

（对不起，我画画很糟糕）。 并且对于使用最高两对（因此00 00）并填充缺失空间的第二矢量（在这种情况下再次）进行相同的操作。

我认为_mm256_shuffle_pd会以同样的方式工作。 因此，如果我想要第一个双倍，我将不得不移动00空间和01空间来正确构造它。

例如：

__m256d a = _mm256_load_pd(&b[0]);
a = _mm256_shuffle_pd(a, a, 0b01000100);
_mm256_store_pd(&b[0], a);
// 1.12 1.12 4.44 3.33

我原以为这会输出{1.12,1.12,3.33,3.33}。 在我的脑海中，我从第一个向量中获取00 01（1.12）和00 01 {3.33}，从第二个向量中获取相同的向量，并且它是相同的向量。

我已经尝试了很多控制面具的组合，我只是无法围绕如何使用它，也无法找到以我理解的方式解释它的地方。

所以我的问题是：_mm256_shuffle_pd如何工作？ 我怎样才能得到与_mm_shuffle_ps（a，a，_MM_SHUFFLE（3,0,2,1））相同的结果，包括四个双打和一个随机播放（如果可能的话）？

Answer 1

shufps需要4个元素的所有8位，每个元素有4个可能的源。 因此它没有空间来增长256位，唯一的选择是在两个通道中复制相同的shuffle。

但128位shufpd只有2个元素，每个元素有2个源，因此2 x 1位。 所以AVX版本总共使用4位，每个通道使用2位。 （ 它不是交叉路口，所以它没有128位shufps那么强大 。）

---

http://felixcloutier.com/x86/SHUFPD.html上有完整的文档，包含图表和详细的伪代码。 英特尔针对_mm256_shuffle_pd的内在指南具有相同的伪代码。

AVX2 http://felixcloutier.com/x86/VPERMPD.html （ _mm256_permute_pd ，又名_mm256_permute4x64_pd ）是车道交叉，并使用其立即完全相同的方式128位shufps的作用：四个2位选择。

---

唯一的交叉2源shuffle是vperm2f128 （ _mm256_permute2f128_pd ） ，直到AVX512F引入更精细的粒度vpermt2pd和vpermt2ps （和等效的整数shuffle。

AVX1没有任何小于128位的粒度的交叉混洗，甚至没有单源版本。 如果你需要一个，你必须用vinsertf128或vperm2f128 +车道内shuffle来构建它。

---

因此，使用AVX将3D矢量保持在SIMD矢量中比使用128位矢量的float更差。 http://fastcpp.blogspot.com/2011/04/vector-cross-product-using-sse-code.html可能比标量更快，但是如果你为SIMD设计数据布局，它会比你做得更糟。

使用单独的连续x[] ， y[]和z[]数组，这样您就可以并行执行4x交叉产品而不进行改组，并利用FMA指令。 使用SIMD并行执行多个向量，而不是加速单个向量。

请参阅https://stackoverflow.com/tags/sse/info中的链接，特别是https://deplinenoise.wordpress.com/2015/03/06/slides-simd-at-insomniac-games-gdc-2015/数据布局问题很好，以及使用SIMD进行矢量化的循环级别。