所以只是截断，而不是有符号（或无符号）饱和？ （我问是因为 AVX-512 提供了signed and unsigned saturation versions，以及截断。你使用的非 AVX512 包，如_mm_packus_epi32 (packusdw) 总是做饱和，如果你想打包，你必须使用普通的随机播放指令在 AVX-512 之前截断。但如果因为上半部分已知为零而任何一个都可以，那么打包指令可能很有用。）
单向量__m256i -> __m128i
对于产生更窄输出的单个向量，您可以使用vextracti128 和vshufps 将单个__m256i 打包成__m128i。在 AVX-512 之前，vshufps 是仅有的具有任何控制输入的 2 输入 shuffle 之一，而不仅仅是固定交错。
在具有内在函数的 C 中，您需要 _mm_castsi128_ps 并返回以使编译器满意地在整数向量上使用 _mm_shuffle_ps，但现代 CPU 没有在整数 SIMD 指令之间使用 FP shuffle 的绕过延迟。或者，如果您只是要存储它，您可以将结果保留为 __m128 并使用 _mm_store_ps((float*)p, vec); （是的，将整数指针强制转换为 float* 仍然是严格别名安全的，因为 deref 发生在内在函数内部，不是纯C）。
#include <immintrin.h>
__m128 cvtepi64_epi32_avx(__m256i v)
{
__m256 vf = _mm256_castsi256_ps( v ); // free
__m128 hi = _mm256_extractf128_ps(vf, 1); // vextractf128
__m128 lo = _mm256_castps256_ps128( vf ); // also free
// take the bottom 32 bits of each 64-bit chunk in lo and hi
__m128 packed = _mm_shuffle_ps(lo, hi, _MM_SHUFFLE(2, 0, 2, 0)); // shufps
//return _mm_castps_si128(packed); // if you want
return packed;
}
这是每 128 位输出数据 2 次随机播放。我们可以做得更好：每 256 位输出数据 2 次随机播放。 （如果我们可以很好地安排我们的输入，甚至只有 1 个）。
2x __m256i 输入产生 __m256i 输出
幸运的是，clang 发现了比我更好的优化。我认为 2x vpermd + vpblendd 可以做到这一点，将一个向量中每个元素的 low32 改组到底部通道，或另一个向量中的顶部通道。 （使用set_epi32(6,4,2,0, 6,4,2,0) 随机播放控件）。
但 clang 将其优化为 vshufps 以将我们想要的所有元素放入一个向量中，然后 vpermpd（相当于 vpermq）将它们放入正确的顺序。 （这通常是一个很好的策略，我自己也应该想到这一点。:P 同样，它利用vshufps 作为 2-input shuffle。）
将其转换回内在函数，我们得到的代码将编译为 GCC 或其他编译器 (Godbolt compiler explorer for this and the original) 的高效 asm：
// 2x 256 -> 1x 256-bit result
__m256i pack64to32(__m256i a, __m256i b)
{
// grab the 32-bit low halves of 64-bit elements into one vector
__m256 combined = _mm256_shuffle_ps(_mm256_castsi256_ps(a),
_mm256_castsi256_ps(b), _MM_SHUFFLE(2,0,2,0));
// {b3,b2, a3,a2 | b1,b0, a1,a0} from high to low
// re-arrange pairs of 32-bit elements with vpermpd (or vpermq if you want)
__m256d ordered = _mm256_permute4x64_pd(_mm256_castps_pd(combined), _MM_SHUFFLE(3,1,2,0));
return _mm256_castpd_si256(ordered);
}
它只编译为 2 条指令，带有立即随机播放控制，没有向量常量。源代码看起来很冗长，但主要是为了让编译器对类型感到满意而进行强制转换。
# clang -O3 -march=haswell
pack64to32: # @pack64to32
vshufps ymm0, ymm0, ymm1, 136 # ymm0 = ymm0[0,2],ymm1[0,2],ymm0[4,6],ymm1[4,6]
vpermpd ymm0, ymm0, 216 # ymm0 = ymm0[0,2,1,3]
ret
通过输入重新排序以避免车道交叉：一个vshufps
如果您可以排列输入向量对，使它们以{a0, a1 | a4, a5} 和{a2, a3 | a6, a7} 的顺序具有 64 位元素，那么您只需要一个通道内随机播放：低 4x 32 位元素来自低半部分每个 256 位输入等。您可以使用一个 _mm256_shuffle_ps 完成工作。 （完全如上，不需要_mm256_permute4x64_pd）。感谢@chtz in cmets 在这个建议的问题下。
Mandelbrot 不需要元素之间的交互，因此您可以使用成对的 __m256i 向量和 64 位元素的排列方式。
如果您从带有 {0,1,2,3} 和 {4,5,6,7} 之类的展开循环开始，并使用 _mm256_add_epi64 和 set1_epi64(8) 来递增，您可以改为从 {0,1,4,5} 和 {2,3,6,7} 开始，一切都应该正常同样。 （除非您正在做其他事情，而您的元素的顺序很重要？）
Asm 与固有名称
咨询Intel's intrinsics guide按asm助记词搜索；它们打字更短，更容易思考机器实际可以做什么，并且需要 asm 助记符来查找 https://uops.info/table.html / https://agner.org/optimize/ 中的性能。