將浮動從高xmm四字移動到低xmm四字

Question

MOVHPD將xmm寄存器的高位四字提取到內存中。

PEXTRQ提取xmm寄存器的高位四字並將其放入整數寄存器（僅整數）。

SHUFPD隨機播放。

VPSLLDQ使高位四字清零。

是否有指令將浮點值從xmm寄存器的高位四字移動到同一xmm寄存器或另一個xmm寄存器的低位四字中？ 還是我總是必須經過內存（添加額外的周期）？

更新：根據以下@fuz和@Peter Cordes的評論，這是我所做的。 這將分別為xmm0的上下四位數調用舍入函數； 由於特殊的舍入參數，必須為每個qword分別調用該函數，因此它不能是SIMD指令。 目標是將xmm0中的每個qword取整並將結果放入xmm11中。

movapd xmm2,xmm0 ;preserve both qwords of xmm0
call Round
movsd [scratch_register+0],xmm0 ; write low qword to memory
movhlps xmm0,xmm2
call Round
movsd [scratch_register+8],xmm0 ; write low qword to memory
movupd xmm11,[scratch_register]

更新＃2：@Peter Cordes顯示了如何在沒有內存的情況下執行此操作：

movhlps  xmm2, xmm0   ; extract high qword for later
call Round            ; round the low qword
movaps   xmm3, xmm0   ; save the result
movaps   xmm0, xmm2   ; set up the arg
call Round            ; round the high qword
movlhps  xmm3, xmm0   ; re-combine into xmm3

Answer 1

請參閱Agner Fog的asm優化指南 ，他在SIMD上的章節中有一張隨機播放指令表，列出了不同類型的數據移動方式，這些指令可以讓您考慮一些指令（如果您不記得它們的確切內容，請查閱Intel手冊） ），看看它們是否就是您想要的。

---

向兩個元素廣播寄存器的高qword的最便宜方法是movhlps xmm0,xmm0 。 （或者對於整數數據（如果您的代碼可以在Nehalem上運行，請使用punpckhqdq xmm0,xmm0以避免FP <-> vec-int旁路延遲）。）

沒有AVX， movhlps很不錯，因為它的隨機播放與unpckhpd略有不同。

• movhlps xmm3, xmm4是否xmm3[0] = xmm4[1]; ，使xmm3[1]保持不變。
• unpckhpd xmm3, xmm4從xmm3和xmm4提取高位unpckhpd xmm3, xmm4並將其按順序放入xmm3中。 因此，在目標中，高qword移到低，然后將src中的高qword復制過來。 xmm3[0] = xmm3[1]; xmm3[1] = xmm4[1]

但是unpcklpd沒用，它長了1個字節，並且與SSE1 movlhps 。 （將src中的低位qword復制到目標的高位qword，而保留目標的低位qword movapd 。）與movapd相同，請始終使用movaps 。

同樣是re：code-size：使用xmm8..15需要花費REX前綴，因此請選擇寄存器分配以在盡可能少的指令中使用xmm8..15（或已經需要REX前綴的指令，例如用於指針）在r8..15中）。 代碼大小通常並不重要，但是其他所有條件通常都較小。 較小的指令通常可以更好地打包到uop緩存中。

---

使用AVX，您可以將vunpckhpd與源操作數的任意順序一起使用 ，並且第一個src的高qword會到達目標的低qword。 vmovhlps沒有代碼大小優勢（或其他性能優勢），它們都可以使用2字節的VEX前綴來實現最小4字節的指令大小。

例如vunpckhpd xmm0, xmm1, xmm0就像vmovhlps xmm0, xmm0,xmm1 。

---

您可以使用shufpd或vpshufd解決您要解決的問題。 因為它需要立即數，所以浪費了代碼大小，但是顯然您沒有意識到可以使用shufpd xmm0, xmm0, 0b11來獲取（按此順序）：

• xmm0[1]的低位qword（第一個src操作數，立即數的低位）
• xmm0[1]的高位qword（第二個src操作數，立即數的高位）。

隨機播放控件可以多次讀取同一輸入元素。

---

有趣的是，NASM編譯器將僅使用兩個操作數來編譯VUNPCKHPD

NASM允許您將vaddps xmm0, xmm0, xmm1等指令編寫為vaddps xmm0, xmm1 ，並在與第一個源相同時省略單獨的目標操作數。

我很困惑，因為這些值是雙精度的，而不是單精度的，但是它可以工作。

一切都只是要復制的位/字節 。 除非您使用FP計算指令（例如addpd / addps ）， addps “類型”無關緊要。 （您可以通過手冊條目中是否存在“ SIMD浮點異常”部分來判斷是否將位的含義視為FP位模式。例如addps ： https：//www.felixcloutier .com / x86 / addps＃simd-floating-point-exceptions 。（但沒有任何意外。唯一關心的指令是出於非常明顯的原因這樣做的，例如進行FP計算或類型轉換，而不僅僅是在周圍復制數據）

沒有真正的CPU關心PS與PD的性能指令，而是關心vec-int與vec-FP的指令，因此不幸的是，使用pshufd復制和pshufd FP數據並不總是勝利。 或將shufps用作2源整數隨機播放。

不幸的是，在AVX512之前，沒有通用的2源“整數” palignr punpck ，只有palignr和punpck指令。 在AVX之前，沒有FP復制和改組說明。 （諷刺的是， vpermilps用速是冗余對vshufps dst, same,same, imm8除了一個存儲器源負載+洗牌，並且應避免代碼大小的原因。 什么是VPERMILPS指令的點（_mm_permute_ps） ？ ）

---

  movapd xmm2,xmm0 ;preserve both qwords of xmm0
  call Round
     movsd [scratch_register+0],xmm0 ; write low qword to memory
  movhlps xmm0,xmm2
  call Round

這是有效的改組，但是不幸的是，它在第一個Round的輸出和第二個Round的輸入之間創建了錯誤的依賴關系 。 因此，這兩個調用不能並行運行。 相反，在第一次調用之前復制時應隨機播放，最好是進入已知已經“死”一段時間或屬於xmm0中的值的依賴鏈的一部分的寄存器中，因此必須在此之前做好准備。

  movhlps  xmm2, xmm0   ; extract high qword for later
  call Round                ; round the low qword
  movaps   xmm3, xmm0   ; save the result
  movaps   xmm0, xmm2   ; set up the arg
  call Round                ; round the high qword
  movlhps  xmm3, xmm0    ; re-combine into xmm3

除非您的筆跡不足，而您的手寫Round函數不會碰到它，否則您將不需要特別的內存並且效率也不高。

另外，所有這些movaps和movhlps指令都只有3個字節長，並且它們的數量與您的版本中的指令數量相同。

另一種選擇（尤其是如果你的輸入是在一個不同的寄存器開始）將Round第一高的一半，那么你可以把高半回XMM0與movlhps 。

而且，順便說一句，如果您具有SSE4.1， roundpd可以四舍五入為具有Nearest的最接近整數，朝+ -Inf（上限/下限）或接近0（截斷）。

---

movsd [scratch_register+8],xmm0 ; write low qword to memory
movupd xmm11,[scratch_register]

永遠不要這樣做，狹窄的倉庫+寬的裝貨量是保證的倉庫轉發停滯期。 （約10個周期的額外延遲）。

使用16字節對齊的存儲位置（例如，在堆棧上[rsp+8]或其他位置），然后
unpckhpd xmm0, [scratch_register]加載+隨機播放 。

不幸的是，英特爾對內存源unpck指令的設計很差，因此它們需要16字節的內存源，而不僅僅是它們實際加載/使用的8字節。 在幾種情況下