8 文字をメモリからパックされた単精度浮動小数点数として __m256 変数にロードする

ガウスぼかしのアルゴリズムを最適化するために、次のようにします。 float バッファの使用を __m256 組み込み変数に置き換えようとします。この質問は、このタスクに最適な命令を決定することを目的としています。

AVX2 アーキテクチャの命令:

• PMOVZX を利用して文字を 32 ビットにゼロ拡張します256b レジスタの整数。
• VCVTDQ2PS を使用してその場で float に変換します。

; rsi = new_image
VPMOVZXBD   ymm0,  [rsi]   ; or SX to sign-extend  (Byte to DWord)
VCVTDQ2PS   ymm0, ymm0     ; convert to packed foat

追加の戦略:

• 128 ビット ブロードキャスト ロードを使用して、上位64ビット。このアプローチは uop 数を減らし、Ryzen CPU では有益です。
• シャッフルがすでに制限されている場合、ボトルネックになる可能性があるため、余分なシャッフル命令の使用は避けてください。

AVX1 アーキテクチャの手順:

• 次の手順を実行します:

  VPMOVZXBD   xmm0,  [rsi]
  VPMOVZXBD   xmm1,  [rsi 4]
  VINSERTF128 ymm0, ymm0, xmm1, 1   ; put the 2nd load of data into the high128 of ymm0
  VCVTDQ2PS   ymm0, ymm0     ; convert to packed float

組み込み関数の考慮事項:

• GCC および MSVC では、組み込み関数を使用する場合に最適なコード生成を確保するために特別な処理が必要になる場合があります。 VPMOVZXBD ymm,[mem].
• 代わりに _mm_loadl_epi64 組み込みを使用することを検討してください。これは、GCC バージョン 9 以降の GCC で -O3 で最適な asm を実現するためにメモリ オペランドに折り畳むことができます。
• For AVX1 のみの最適化、組み込みバージョンの作成は楽しくない作業です。