shuffle / permute內在函數如何適用於256位pd？

Question

我試圖圍繞_mm256_shuffle_pd和_mm256_permute_pd內在函數如何工作。 我似乎無法預測其中一項操作的結果。

首先，對於_mm_shuffle_ps一切都很好。 我得到的結果是我期待的結果。 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

所以一切都在這里。 現在我想用__m256d嘗試這個，這是我目前在我的代碼中使用的。 從我發現的_mm256_shuffle_ps / pd內在函數的工作方式不同。

我的理解是控制掩碼應用了兩次。 第一次在128位的前半部分，第二次在最后的128位。 前兩對控制位用於從第一矢量中選擇（並將值存儲在第一和第二字以及結果矢量的第五和第六字中），而最高位對選擇第二矢量。 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

這里我期望（我實際得到的）結果是{ 4.44, 2.22, 1.12, 1.12, 8.88, 6.66, 5.55, 5.55 }

這應該如下工作：

（對不起，我畫畫很糟糕）。 並且對於使用最高兩對（因此00 00）並填充缺失空間的第二矢量（在這種情況下再次）進行相同的操作。

我認為_mm256_shuffle_pd會以同樣的方式工作。 因此，如果我想要第一個雙倍，我將不得不移動00空間和01空間來正確構造它。

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

我原以為這會輸出{1.12,1.12,3.33,3.33}。 在我的腦海中，我從第一個向量中獲取00 01（1.12）和00 01 {3.33}，從第二個向量中獲取相同的向量，並且它是相同的向量。

我已經嘗試了很多控制面具的組合，我只是無法圍繞如何使用它，也無法找到以我理解的方式解釋它的地方。

所以我的問題是：_mm256_shuffle_pd如何工作？ 我怎樣才能得到與_mm_shuffle_ps（a，a，_MM_SHUFFLE（3,0,2,1））相同的結果，包括四個雙打和一個隨機播放（如果可能的話）？

Answer 1

shufps需要4個元素的所有8位，每個元素有4個可能的源。 因此它沒有空間來增長256位，唯一的選擇是在兩個通道中復制相同的shuffle。

但128位shufpd只有2個元素，每個元素有2個源，因此2 x 1位。 所以AVX版本總共使用4位，每個通道使用2位。 （ 它不是交叉路口，所以它沒有128位shufps那么強大 。）

---

http://felixcloutier.com/x86/SHUFPD.html上有完整的文檔，包含圖表和詳細的偽代碼。 英特爾針對_mm256_shuffle_pd的內在指南具有相同的偽代碼。

AVX2 http://felixcloutier.com/x86/VPERMPD.html （ _mm256_permute_pd ，又名_mm256_permute4x64_pd ）是車道交叉，並使用其立即完全相同的方式128位shufps的作用：四個2位選擇。

---

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

AVX1沒有任何小於128位的粒度的交叉混洗，甚至沒有單源版本。 如果你需要一個，你必須用vinsertf128或vperm2f128 +車道內shuffle來構建它。

---

因此，使用AVX將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可能比標量更快，但是如果你為SIMD設計數據布局，它會比你做得更糟。

使用單獨的連續x[] ， y[]和z[]數組，這樣您就可以並行執行4x交叉產品而不進行改組，並利用FMA指令。 使用SIMD並行執行多個向量，而不是加速單個向量。

請參閱https://stackoverflow.com/tags/sse/info中的鏈接，特別是https://deplinenoise.wordpress.com/2015/03/06/slides-simd-at-insomniac-games-gdc-2015/數據布局問題很好，以及使用SIMD進行矢量化的循環級別。