gcc - 有没有更有效的方法将 4 个连续的 double 广播到 4 个 YMM 寄存器中？

Question

在一段类似于(但不完全是)矩阵乘法的 C++ 代码中，我将 4 个连续的 double 加载到 4 个 YMM 寄存器中，如下所示:

# a is a 64-byte aligned array of double
__m256d b0 = _mm256_broadcast_sd(&b[4*k+0]);
__m256d b1 = _mm256_broadcast_sd(&b[4*k+1]);
__m256d b2 = _mm256_broadcast_sd(&b[4*k+2]);
__m256d b3 = _mm256_broadcast_sd(&b[4*k+3]);

我在 Sandy Bridge 机器上用 gcc-4.8.2 编译了代码。硬件事件计数器 (Intel PMU) 表明 CPU 实际上从 L1 缓存发出 4 个单独的负载。虽然在这一点上我不受 L1 延迟或带宽的限制，但我很想知道是否有办法用一个 256 位负载(或两个 128 位负载)加载 4 个 double 并将它们洗牌4 个 YMM 寄存器。我查看了 Intel Intrinsics Guide，但找不到完成所需的改组的方法。那可能吗？

(如果CPU不合并4个连续负载的前提实际上是错误的，请告诉我。)

Answer 1

在我的 matrix multiplication code 中，我只需要为每个内核代码使用一次广播，但是如果您真的想在一条指令中加载四个 double 值，然后将它们广播到四个寄存器，您可以这样做

#include <stdio.h>
#include <immintrin.h>

int main() {
    double in[] = {1,2,3,4};
    double out[4];
    __m256d x4 = _mm256_loadu_pd(in);
    __m256d t1 = _mm256_permute2f128_pd(x4, x4, 0x0);
    __m256d t2 = _mm256_permute2f128_pd(x4, x4, 0x11);
    __m256d broad1 = _mm256_permute_pd(t1,0);
    __m256d broad2 = _mm256_permute_pd(t1,0xf);
    __m256d broad3 = _mm256_permute_pd(t2,0);
    __m256d broad4 = _mm256_permute_pd(t2,0xf);

    _mm256_storeu_pd(out,broad1);   
    printf("%f %f %f %f\n", out[0], out[1], out[2], out[3]);
    _mm256_storeu_pd(out,broad2);   
    printf("%f %f %f %f\n", out[0], out[1], out[2], out[3]);
    _mm256_storeu_pd(out,broad3);   
    printf("%f %f %f %f\n", out[0], out[1], out[2], out[3]);
    _mm256_storeu_pd(out,broad4);   
    printf("%f %f %f %f\n", out[0], out[1], out[2], out[3]);
}

编辑:这是基于 Paul R 建议的另一个解决方案。

__m256 t1 = _mm256_broadcast_pd((__m128d*)&b[4*k+0]);
__m256 t2 = _mm256_broadcast_pd((__m128d*)&b[4*k+2]);
__m256d broad1 = _mm256_permute_pd(t1,0);
__m256d broad2 = _mm256_permute_pd(t1,0xf);
__m256d broad3 = _mm256_permute_pd(t2,0);
__m256d broad4 = _mm256_permute_pd(t2,0xf);