为什么“PSHUFD”指令没有浮点内在？

Question

我面临的任务是洗牌 一个 _m128 向量并将结果存储在另一个中。

在我看来，有两种基本方法可以对打包的浮点 _m128 向量进行洗牌：

• _mm_shuffle_ps，它使用 SHUFPS 指令，如果您只需要一个向量中的值，这不一定是最佳选择：它从目标操作数中获取两个值，这意味着额外的移动。
• _mm_shuffle_epi32，它使用 PSHUFD 指令，似乎完全符合这里的预期，并且可以比 SHUFPS 具有更好的延迟/吞吐量。

然而，后者的内在函数适用于整数向量 (_m128i)，并且似乎没有浮点对应物，因此将其与 _m128 一起使用将需要一些丑陋的显式转换。此外，没有这样的对应物这一事实可能意味着有一些正当的理由，我不知道。

问题是为什么没有内在的东西来洗牌一个浮点向量并将结果存储在另一个中？
如果_mm_shuffle_ps(x,x, ...)能生成PSHUFPD，能保证吗？
如果PSHUFD 不应该用于浮点值，那是什么原因？

谢谢！

Answer 1

内在函数应该与指令一一对应。 _mm_shuffle_ps 生成 PSHUFD 是非常不可取的。它应该始终生成 SHUFPS。该文档并未表明存在其他情况。

将数据转换为单精度或双精度浮点时，某些处理器会降低性能。这是因为处理器使用包含数据的 FP 分类的内部寄存器来扩充 SSE 寄存器，例如零或 NaN 或无穷大或正常。切换类型时，您会在执行该步骤时遇到停顿。我不知道现代处理器是否仍然如此，但您可以查阅英特尔架构优化手册以获取该信息。

在现代处理器上，SHUFPS 并不比 PSHUFD 慢很多。根据 Agner Fog 的指令表 (http://www.agner.org/optimize/instruction_tables.pdf)，它们在 Haswell（第 4 代 Core i7）上具有相同的延迟和吞吐量。在 Nehalem（第一代 Core i7）上，它们具有相同的延迟，但 PSHUFD 的吞吐量为 2/周期，而 SHUFPS 的吞吐量为 1/周期。因此，即使您忽略与切换类型相关的性能损失，您也不能说在所有处理器中都应该优先使用一条指令。

还有一种在 __m128、__m128d 和 __m128i 之间进行转换的方法：_mm_castXX_YY (https://software.intel.com/en-us/node/695375?language=es) 其中 XX 和 YY 分别是 ps、pd 或 si128 之一。例如，_mm_castps_pd()。这确实是一个坏主意，因为 PSHUFD 速度更快的处理器会遭受与之后切换回 FP 相关的性能损失。换句话说，除了做 SHUFPS 之外，没有其他更快的方法来做 SHUFPS。