混洗两个 __m128i 的 64 位部分的最佳方法

我有两个__m128is, a and b，我想进行洗牌，以便高 64 位a落在低 64 位dst和低 64 位b落在上64dst. i.e.

dst[ 0:63]  = a[64:127]
dst[64:127] = b[0:63]

相当于：

__m128i dst = _mm_unpacklo_epi64(_mm_srli_si128i(a, 8), b);

or

__m128i dst = _mm_castpd_si128(mm_shuffle_pd(_mm_castsi128_pd(a),_mm_castsi128_pd(b),1));

有比第一种方法更好的方法吗？第二条指令只有一条指令，但切换到浮点 SIMD 执行比第一条指令的额外指令成本更高。

延迟并不总是最糟糕的事情。如果它不是循环携带的 dep-chain 的一部分，则只需使用单个指令。

而且，也可能没有！阿格纳·福格微架构文档 http://agner.org/optimize/说他在 Sandybridge 上使用“错误”类型的 shuffle 或布尔值时，在某些情况下没有发现额外的延迟。混合仍然有额外的延迟。他表示，在 Haswell 上，混合类型的随机播放根本没有额外的延迟。 （第 140 页，数据旁路延迟。）

所以继续使用shufps，除非您非常关心您的代码在 Nehalem 上的运行速度。 （以前的设计（merom/conroe 和 Penryn）没有因使用错误的移动或洗牌而产生额外的旁路延迟。）

对于AMD来说，shufps运行在ivec域中，与整数洗牌相同，所以使用它就可以了。与 Intel 一样，FP 混合在 FP 域中运行，因此 FP 数据没有旁路延迟。

如果您根据支持的指令集包含多个 asm 版本，而不像 x264 那样完全热衷于为每个 CPU 提供最佳版本，那么您可能会在 AVX CPU 的版本中使用错误类型的操作，但使用多个指令在您的非 AVX 版本中。 Nehalem 具有较大的惩罚（每个域转换有 2 个周期旁路延迟），而 Sandybridge 为 0 或 1 个周期。 SnB 是带有 AVX 的第一代。

Nehalem 之前的版本（没有 SSE4.2）太旧了，以至于可能不值得专门为其调整版本，即使它对“错误类型”洗牌没有任何惩罚。 Nehalem 正处于速度有点慢的边缘，因此在这些系统上运行的软件将很难实时运行，或者感觉不慢。因此，对 Nehalem 的不好会增加糟糕的用户体验，因为他们的系统已经不是最快的了。