Загрузка 8 символов из памяти в переменную __m256 в виде упакованных плавающих чисел одинарной точности

В попытке оптимизировать алгоритм размытия по Гауссу вы попытайтесь заменить использование буфера с плавающей запятой внутренней переменной __m256. Целью этого вопроса является определение оптимальных инструкций для этой задачи.

Инструкция для архитектуры AVX2:

• Используйте PMOVZX для нулевого расширения ваших символов в 32-битные целые числа в регистре 256b.
• Преобразуйте в число с плавающей запятой на месте с помощью VCVTDQ2PS.

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

Дополнительные стратегии:

• Рассмотрите возможность использования 128-битной широковещательной загрузки для подачи vpmovzxbd ymm,xmm и vpshufb ymm (_mm256_shuffle_epi8) для высокие 64 бита. Такой подход уменьшает количество операций и может быть полезен на процессорах Ryzen.
• Избегайте использования дополнительных инструкций перемешивания, так как они могут стать узким местом, когда перемешивание уже является ограничением.

Инструкции для архитектуры AVX1:

• Выполните следующие действия:

  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

Аспекты встроенных функций:

• GCC и MSVC могут потребовать специальной обработки для обеспечения оптимальной генерации кода при использовании встроенных функций для VPMOVZXBD ymm,[mem].
• Вместо этого рассмотрите возможность использования встроенной функции _mm_loadl_epi64, которую можно свернуть в операнд памяти для оптимальной сборки на -O3 с GCC в GCC версии 9 и более поздних версиях.
• Для Оптимизация только для AVX1, написание встроенной версии — занятие неинтересное.