Assembly 为什么vhaddps指令以如此复杂的方式添加？

vhaddps指令以一种非常独特的方式添加：

资料来源：

这是什么原因？本说明适用于哪些用例？看起来设计中有一些特定的想法。

它是低128位和高128位通道中的2个通道内haddps指令。大多数AVX指令并没有真正将操作扩展到256位，它们执行两个独立的车道内操作。这使得AVX很难使用，尤其是没有AVX2用于小于128位粒度的车道交叉洗牌

但它节省了晶体管，例如，使vpshufb成为单个32字节的洗牌，而不是2x 16字节的洗牌。AVX2甚至没有提供：必须等待AVX512VBMI

相关：另外，AVX512增加了许多灵活的车道交叉混洗，但AXV512版本的SSE/AVX指令（如vhaddps zmm）仍在车道上。另见

AVX2 vpack*链通常需要vpermq在末端进行车道交叉修正，除非您打算再次在车道中解包。所以在大多数情况下，2x通道内混洗比完整的256位宽操作更糟糕，但这不是我们从AVX得到的。从128位矢量到256位矢量，即使需要额外的洗牌来纠正车道内的行为，通常仍然需要加速，但这通常意味着即使没有内存瓶颈，也不是2倍的加速

VPAligner可能是同一个洗牌的2x 128位版本本身不是一个有用的构建块的最令人震惊的例子；我不记得我是否见过使用两个单独的车道内字节数据窗口的用例。哦，事实上是的，如果您使用vperm2i128为其提供数据，但通常未对齐的负载在支持AVX2的CPU上会更好

VHADDP的用例非常有限 在SSE3中引入HADDP后，英特尔可能计划在某个时候将其制作成一条uop指令，但这从未发生过

用例包括转置和添加类型，在这些情况下，无论如何都需要为垂直添加洗牌两个输入。e、 g.包括VHADDP。加上AVX1 vperm2f128以纠正车道内行为

许多人错误地认为它适用于单个向量的水平求和，但128位和256位VHADDP都会解码为2x洗牌uop，为垂直vaddps uop准备输入向量。对于水平总和，每次添加只需要1个随机uop

使用vextractf128/vaddps将范围缩小到128位优先通常是更好的第一步，除非您希望结果广播到每个元素，并且您不是在AMD CPU上，其中256位矢量运算解码到至少2 UOP，或更多用于车道交叉洗牌。如果您正在优化代码大小而不是速度，则vhaddps xmm或整数vphaddd对于水平和非常有用，例如，在代码高尔夫问题上，计算两个数字的平均值

---

AVX非破坏性目标操作数还消除了使用多uop指令的一些吸引力。如果没有AVX，有时您无法避免movaps在销毁寄存器之前复制寄存器，因此烘焙2x shuffle+add-into-1指令确实节省了UOP，而不必使用movaps+shufps手动执行此操作。

与许多256位宽的指令一样，上面的128位 vhaddps-ymm-ymm-ymm只是128位宽vhaddps-xmm-xmm的复制粘贴 指示下面的示例表明 以这样一种复杂的方式定义vhaddps xmm xmm：使用此指令两次 提供4个xmm寄存器的水平和

/*gcc-m64-O3 hadd_ex.c-march=sandybridge*/ 包括 包括 int main{ 浮动tmp[4]； __m128 a=_mm_set_ps1.0,2.0,3.0,4.0； __m128 b=_mm_set_ps10.0、20.0、30.0、40.0； __m128 c=_mm_set_ps100.0、200.0、300.0、400.0； __m128 d=_mm_套装_ps1000.0、2000.0、3000.0、4000.0； __m128 sum1=_mm_hadd_psa，b； __m128 sum2=_mm_hadd_psc，d； __m128总和=_mm_hadd_pssum1，sum2； _mm_storeupstmp，总和； printfsum=%f%f%f%f\n，tmp[0]，tmp[1]，tmp[2]，tmp[3]； 返回0； } 输出：

sum = 10.000000  100.000000  1000.000000  10000.000000

---

我猜你打字的速度比我快多了。@wim：我打字很快，是的：我从一开始就养成了好习惯；我父亲在Atari ST上有一个打字指导游戏，叫做单词入侵者，我在90年代十几岁的时候玩过这个游戏，所以我总是触摸打字，知道你应该如何高效地打字，这是我最喜欢的。到现在为止，我已经练了好几年了PI开始在ZX频谱上打字，这解释了很多。