如何从 SSE2 __m128i 结构中提取字节？

我是 SIMD 内在函数的初学者，所以我要感谢大家的耐心等待。我有一个涉及无符号字节的绝对差异比较的应用程序（我正在处理灰度图像）。

我尝试了 AVX、更现代的 SSE 版本等，但最终认为 SSE2 似乎足够了，并且对单个字节的支持最多 - 如果我错了，请纠正我。

我有两个问题：第一，加载128位寄存器的正确方法是什么？我认为我应该传递与 128 的倍数对齐的加载内在函数数据，但这是否适用于像这样的 2D 数组代码：

greys = aligned_alloc(16, xres * sizeof(int8_t*));

for (uint32_t x = 0; x < xres; x++)
{
    greys[x] = aligned_alloc(16, yres * sizeof(int8_t*));
}

（上面的代码假设 xres 和 yres 相同，并且是 2 的幂）。这会在内存中变成线性的、不间断的块吗？那么，当我循环时，我可以继续将地址（将它们增加 128）传递给 SSE2 加载内在函数吗？或者对于像这样的二维数组是否需要做一些不同的事情？

我的第二个问题：一旦我完成了所有的矢量处理，我到底如何从__m128i？翻阅《Intel 内联指南》，将向量类型转换为标量类型的指令很少见。我发现的最接近的是 int_mm_movemask_epi8 (__m128i a)但我不太明白如何使用它。

哦，还有三分之一的问题 - 我假设_mm_load_si128只加载有符号的字节？而且我找不到任何其他字节加载函数，所以我猜你应该从每个字节中减去 128，然后再考虑它？

我知道这些对于 SIMD 专家来说是基本问题，但我希望这个问题对像我这样的初学者有用。如果您认为我的整个应用程序方法是错误的，或者我最好使用更现代的 SIMD 扩展，我很想知道。我只是想谦虚地警告一下，我从来没有使用过汇编，所有这些琐碎的事情都需要大量的解释才能帮助我。

尽管如此，我还是很感谢您提供的任何澄清。

如果它有所不同：我的目标是低功耗 i7 Skylake 架构。但如果应用程序也能在更旧的机器上运行（因此是 SSE2），那就太好了。

首先是最不明显的问题：

一旦我完成了所有的矢量处理，我到底如何从__m128i

将低 64 位提取为整数int64_t _mm_cvtsi128_si64x(__m128i), or 低 32 位与int _mm_cvtsi128_si32 (__m128i a).

如果您想要向量的其他部分，而不是低元素，您的选择是：

• 打乱向量以创建新向量__m128i在低元素中添加所需的数据，并使用 cvt 内在函数（asm 中的 MOVD 或 MOVQ）。

• 使用SSE2int _mm_extract_epi16 (__m128i a, int imm8)，或 SSE4.1 类似的指令用于其他元素大小，例如_mm_extract_epi64(v, 1);(PEXTRB/W/D/Q) 不是最快的指令，但如果您只需要一个高位元素，它们大约相当于单独的 shuffle 和 MOVD，但机器代码更小。

• _mm_store_si128到对齐的临时数组并访问成员：编译器通常会将其优化为只是随机播放或pextr*指令如果你编译-msse4.1 or -march=haswell管他呢。打印 __m128i 变量显示了一个示例，包括 Godbolt 编译器输出显示_mm_store_si128进入一个alignas(16) uint64_t tmp[2]

• Or use union { __m128i v; int64_t i64[2]; }或者其他的东西。基于联合的类型双关在 C99 中是合法的，但仅作为 C++ 中的扩展。这与 tmp 数组的编译方式相同，并且通常不易于阅读。

  也可以在 C++ 中使用的 union 的替代方案是memcpy(&my_int64_local, 8 + (char*)my_vector, 8);提取上半部分，但这似乎更复杂且不太清晰，并且更有可能是编译器无法“看穿”的东西。当它是一个完整的变量时，编译器通常非常擅长优化小的固定大小的 memcpy，但这只是变量的一半。

• 如果向量的整个高半部分可以不加修改地直接进入内存（而不是在整数寄存器中需要），那么智能编译器可能会优化以使用MOVHPS存储a的高半部分__m128i与上述工会的东西。

  或者你可以使用_mm_storeh_pi((__m64*)dst, _mm_castsi128_ps(vec))。只需要SSE1，比SSE4.1效率更高pextrq在大多数 CPU 上。但不要对您将立即再次使用的标量整数执行此操作；如果 SSE4.1 不可用，编译器可能实际上会进行 MOVHPS 和整数重新加载，这通常不是最佳的。 （有些编译器（例如 MSVC）不会优化内在函数。）

这会在内存中变成线性的、不间断的块吗？

不，它是指向单独内存块的指针数组，与正确的二维数组相比，引入了额外的间接级别。不要那样做。

进行一项大的分配，然后自己进行索引计算（使用array[x*yres + y]).

是的，从中加载数据_mm_load_si128，或者 loadu 如果您需要从偏移量加载。

assumed _mm_load_si128只加载有符号的字节

有符号或无符号不是字节的固有属性，而只是解释这些位的方式。您可以使用相同的加载内部函数来加载两个 64 位元素或 128 位位图。

使用适合您的数据的内在函数。它有点像汇编语言：一切都只是字节，机器会用字节执行您告诉它的操作。您可以选择一系列指令/内在函数来产生有意义的结果。

整数加载内在函数采用__m128i*指针参数，所以你必须使用_mm_load_si128( (const __m128i*) my_int_pointer )或类似的。这看起来像指针别名（例如读取数组int通过一个short *)，这是 C 和 C++ 中的未定义行为。然而，这就是英特尔所说的你应该这样做的方式，因此任何实现英特尔内在函数的编译器都需要使其正确工作。 gcc 通过定义来做到这一点__m128i with __attribute__((may_alias)).

也可以看看加载 GCC 向量扩展的数据其中指出您可以使用 Intel 内在函数进行 GNU C 本机向量扩展，并展示如何加载/存储。

要了解有关 SSE 的 SIMD 的更多信息，请参阅sse标签 wiki，包括一些介绍/教程链接。

The x86tag wiki 有一些很好的 x86 asm / 性能链接。