如何将两个打包的 64 位四字加载到 128 位 xmm 寄存器中

Question

我有两个 UInt64（即 64 位四字）整数。

• 它们与 8 字节 (sizeof(UInt64)) 边界对齐（如果对任何事情有用，我也可以将它们对齐到 16 字节）
• 它们被打包在一起，因此它们在内存中并排

如何将它们加载到 xmm 寄存器中，例如xmm0:

---

我找到了：

movq xmm0, v[0]

但这只会移动 v[0]，并将xmm0 中的高 64 位设置为零：

xmm0 0000000000000000 24FC18D93B2C9D8F

额外问题

• 如何将它们取出？
• 如果它们不在内存中并排怎么办？
• 如果它们是 4 字节对齐的呢？

编辑

正如 W. Chang 所指出的，字节顺序化很少，我可以接受其他方式：

我的难题是如何让他们进来，然后让他们出去。

Answer 1

对于未对齐的 128 位加载，请使用：

• movups xmm0, [v0]：为float 或double 数据移动未对齐的单精度浮点数。 （movupd 长 1 个字节，但不会产生性能差异。）
• movdqu xmm0, [v0]: 移动未对齐的双四字

即使两个四字在缓存行边界上分开，这通常也是吞吐量的最佳选择。 （在 AMD CPU 上，当负载不适合缓存线的对齐 32 字节块时，可能会受到惩罚，而不仅仅是 64 字节缓存线边界。但在 Intel 上，64 字节内的任何未对齐缓存线是免费的。）

如果您的负载提供整数 SIMD 指令，您可能需要 movdqu，即使 movups 在机器代码中短 1 个字节。一些 CPU 可能关心不同类型负载的“跨域”。对于存储没关系，许多编译器总是使用movups，即使是整数数据。

---

另请参阅How can I accurately benchmark unaligned access speed on x86_64，了解有关未对齐负载成本的更多信息。 （SIMD 和其他）。

如果没有连续的，你最好的选择是

• movq xmm0, [v0]: 移动四字
• movhps xmm0, [v1]：移动高压缩单精度浮点。 （没有整数等价物，无论如何都要使用它。永远不要使用movhpd，它不再是无益的，因为没有 CPU 关心双精度和浮点随机播放。）

或者在旧的 x86 上，例如 Core2 和其他旧 CPU，即使 16 个字节都来自同一个缓存行，movups 也很慢，您可以使用

• movq xmm0, [v0]：移动四字
• movhps xmm0, [v0+8]：移动高压缩单精度浮点数

movhps 比SSE4.1 pinsrq xmm0, [v1], 1 略高效（2 微指令，不能在英特尔 Sandybridge 系列上进行微熔：1 微指令用于负载端口，1 微指令用于端口 5）。 movhps 是 1 个微融合 uop，但仍需要相同的后端端口：加载 + 随机播放。

参见 Agner Fog 的 x86 优化指南；他有一章是关于 SIMD 的，其中很大一部分是关于数据移动的。 https://agner.org/optimize/ 并查看https://stackoverflow.com/tags/x86/info 中的其他链接。

---

要取出数据，movups 可以用作存储，movlps/movhps 也可以分散 qword 的一半。 （但不要使用 movlps 作为负载 - 它会合并创建虚假依赖项与 movq 或 movsd。）

movlps 比movq 短 1 个字节，但两者都可以将 xmm 寄存器的低 64 位存储到内存中。编译器通常会忽略存储的域交叉（vec-int 与 vec-fp），因此您也应该：当它们与存储完全相同时，通常使用 SSE1 ...ps 指令。 （不适用于 reg-reg 移动；Nehalem 可以在 movaps 之间像 paddd 这样的整数 SIMD 减慢速度，反之亦然。）

在所有情况下，AFAIK，除了实际的加法/乘法指令之外，没有 CPU 关心 float 与 double，没有单独的 float 和 double 旁路转发域的 CPU。 ISA 设计使该选项保持打开状态，但在实践中，通过使用movups 或movaps 围绕double 的向量进行复制来保存字节永远不会受到惩罚。或者使用movlps 而不是movlpd。 double 洗牌有时很有用，因为 unpcklpd 类似于 punpcklqdq（交错 64 位元素），而unpcklps 类似于 punpckldq（交错 32 位元素）。