Carregando 8 caracteres da memória em uma variável __m256 como flutuadores de precisão única compactados

Em um esforço para otimizar um algoritmo para desfoque gaussiano, você procure substituir o uso de um buffer flutuante por uma variável intrínseca __m256. Esta questão tem como objetivo determinar as instruções ideais para esta tarefa.

Instruções para arquitetura AVX2:

• Utilize PMOVZX para estender seus caracteres para zero em 32 bits inteiros em um registro 256b.
• Converta para flutuar no local com VCVTDQ2PS.

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

Estratégias adicionais:

• Considere usar uma carga de transmissão de 128 bits para alimentar vpmovzxbd ymm,xmm e vpshufb ymm (_mm256_shuffle_epi8) para o alto 64 bits. Essa abordagem reduz a contagem de UOP e pode ser benéfica em CPUs Ryzen.
• Evite usar instruções extras de embaralhamento, pois elas podem se tornar um gargalo quando o embaralhamento já for uma limitação.

Instruções para arquitetura AVX1:

• Execute as seguintes etapas:

  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

Considerações intrínsecas:

• GCC e MSVC podem exigir tratamento especial para garantir a geração de código ideal ao usar intrínsecos para VPMOVZXBD ymm,[mem].
• Considere usar o intrínseco _mm_loadl_epi64, que pode ser dobrado no operando de memória para um conjunto ideal em -O3 com GCC nas versões 9 e posteriores do GCC.
• Para Otimização apenas AVX1, escrever a versão intrínseca é um exercício nada divertido.