ベストな方法は、/ XMMから/ YMM登録する登録するSIMDレジスタから/に登録する目的を生成するロードとストアするための方法が最適です何

Question

？これまで私はスタックを一時的に使用していました。たとえば、

mov [rsp + 0x00], r8 
mov [rsp + 0x08], r9 
mov [rsp + 0x10], r10 
mov [rsp + 0x18], r11 
vmovdqa ymm0, [rsp] ; stack is properly aligned first. 

5つのオペランドを持つ命令を意味するので、これを直接（または他の方向）行うことはできません。しかし、上記のコードは私にとって愚かなようです。それを行うより良い方法はありますか？私は1つの選択肢について考えることができ、pinsrdとそれに関連する説明を使用します。しかしそれはそれほど良いとは思わない。

動機は、いつか汎用レジスタと他人ながらAVX2にいくつかのことを行うために高速である、ということです。例えば、小さなコードの中には、64ビットの符号なし整数が4つあり、BMI2の2つのmulxが4つ、xorが4つ必要です。 xorをvpxorとする方が速くなりますが、mulxにはAVX2相当品がありません。 vpxor対4 xorのゲインのパフォーマンスは、パッキングとアンパックのプロセスによって失われます。

Answer 1

は、あなたのボトルネックの待ち時間、スループット、または融合されたドメインのuopですか？待ち時間の場合は、狭い店舗から広い荷物への店舗運送停止のため、店舗/リロードは恐ろしいことです。スループットと融合したドメインのuopについては

、それは恐ろしいではありません：ちょうど5融合したドメインのuop、ストアポート上のボトルネック。周囲のコードがほとんどALU uopsであれば、それは検討する価値があります。あなたが提案するユースケースについては

---

：

整数とベクトルREGSの間でデータを移動する手順/のuopの多くを過ごす通常は悪い考えです。 PMULUDQは32ビットのmulxに相当しますが、AVX2では64ビットの乗算は直接利用できません。 （AVX512にはそれがあります）。

あなたはPMULUDQと通常の拡張精度の技術を使用して、64ビットのベクトル乗算を行うことができます。私の答えはFastest way to multiply an array of int64_t?で、AVX2 256bベクトルでは64×64 => 64b乗算のベクトル化には値するが、128bベクトルでは不可能であることがわかった。しかし、それはメモリ内のデータであり、ベクトルregで開始して終了するデータではありませんでした。この場合

は、それが 複数の32×32 => 64ビットのベクトル乗算のうち、64×64 => 128Bフル乗算を構築する価値があるかもしれないが、それはそれだけでそれだけの価値はありませんので、多くの命令がかかる場合があります。上半分の結果が必要な場合は、スカラーに展開する（またはスカラー全体を行う）方が良いかもしれません。

整数XORは、優れたILP（クロック当たりのレイテンシ= 1、スループット= 4）を用いて、非常に安価です。あなたがそこで行うことに他にベクトルフレンドリーなことがなければ、ベクトルデータをXORに移動する価値はありません。パフォーマンスリンクについては、x86tag wikiを参照してください。

---

おそらくレイテンシーのための最良の方法は次のとおりです。

vmovq xmm0, r8 
vmovq xmm1, r10   # 1uop for p5 (SKL), 1c latency 
vpinsrq xmm0, r9, 1   # 2uops for p5 (SKL), 3c latency 
vpinsrq xmm1, r11, 1 
vinserti128 ymm0, ymm0, ymm1, 1 # 1uop for p5 (SKL), 3c latency 

合計：ほぼすべてのバックツーバック、それらを実行するのに十分なILPとP5のための7つのμop、。おそらくr8はおそらくr10よりも1サイクルまたは2サイクル早く準備ができているので、あまり失うことはありません。また

---

検討する価値：あなたはr8..r11を生成するためにやっていたものは何でも、あなたのデータは、XMMのregsはすでにあるので、ベクトル整数命令でそれを行います。それでも、2倍のPUNPCKLQDQとVINSERTI128を使用して、それらを一緒にシャッフルする必要があります。