C++ 删除多个_mm256_blend_p会降低性能，而不是提高性能

我正在编写一个小模板库，使用AVX内部函数转置任意矩阵。由于我大量使用

if constexpr

和模板，我想确保编译器应用了我期望的所有优化，并对我的代码进行了基准测试。我遇到了一个我不太明白的结果

这些函数有一个模板参数，用于控制如何处理未使用的寄存器值。一种选择是在执行的操作过程中，采取任何最终到达那里的方法。另一种方法是只写入存储结果所需的条目。我已经删除了所有模板内容，并为7x4矩阵编写了一个简短示例：

编辑：此代码错误---请参阅更新

void Transpose7x4（\uuuuuum256 in0、\uuuum256 in1、\uuuum256 in2、\uuuuum256 in3、\uuuuum256&out0、\uuuuuuum256&out1、\uuuuum256&out2、，
__m256&out3、m256&out4、m256&out5、m256&out6）
{
__m256 tout0、tout1、tout2、tout3、tout4、tout5、tout6；
__m256 tmp0、tmp1、tmp2、tmp3；
__m256 tmp4=_mm256_unplo_ps（in3，in0）；
__m256 tmp5=_mm256_unpachi_ps（in3，in0）；
__m256 tmp6=_mm256_unplo_ps（in1，in2）；
__m256 tmp7=_mm256_unpachi_ps（in1，in2）；
tmp0=mm256_shuffle_ps（tmp4，tmp6，0x44）；
tmp1=mm256_shuffle_ps（tmp6，tmp4，0xee）；
tmp2=_mm256_shuffle_ps（tmp5，tmp7，0x44）；
tmp3=mm256_shuffle_ps（tmp7，tmp5，0xee）；
tout0=_mm256_permute2f128_ps（tmp0，tmp0，0x00）；
tout1=_mm256_permute2f128_ps（tmp1，tmp1，0x00）；
tout2=_mm256_permute2f128_ps（tmp2，tmp2，0x00）；
tout3=_mm256_permute2f128_ps（tmp3，tmp3，0x00）；
tout4=_mm256_permute2f128_ps（tmp0，tmp0，0x44）；
tout5=_mm256_permute2f128_ps（tmp1，tmp1，0x44）；
tout6=_mm256_permute2f128_ps（tmp2，tmp2，0x44）；
//不关心写入未使用值的内容
out0=tout0；
out1=tout1；
out2=tout2；
out3=tout3；
out4=tout4；
out5=tout5；
out6=tout6；
//仅写入存储结果所需的值
//out0=mm256_blend_ps（out0，tout0，0xfe）；
//out1=mm256_blend_ps（out1，tout1，0xfe）；
//out2=mm256_blend_ps（out2，tout2，0xfe）；
//out3=mm256_blend_ps（out3，tout3，0xfe）；
//out4=mm256_blend_ps（out4，tout4，0xfe）；
//out5=mm256_blend_ps（out5，tout5，0xfe）；
//out6=mm256_blend_ps（out6，tout6，0xfe）；
}

如您所见，不覆盖未使用值的版本需要额外的混合，因此我希望它会稍微慢一点。然而，基准测试的结果（英特尔skylake处理器上的Clang 8.0.0和GCC 8.3.0）告诉我的情况并非如此。100次换位给了我大约430ns的混合版本，而另一个版本大约670ns。我检查了组件是否有奇怪的事情发生，但我什么也看不到：

程序集或多或少是相同的，只有一个版本有

vmovaps

与其他

vblendps

交错（和一个vperm2f128）

考虑到

\u mm256\u permute2f128\u ps

的指令管道，我计算了预期的时钟周期。对于代码，在没有混合的情况下，我提出了17个循环。乘以100，再除以我的处理器频率，得到425ns，这和我在混合版本中得到的差不多。我能理解的唯一原因是，没有混合的版本需要更多时间，因为某种原因，

\u mm256\u permute2f128\u ps

的指令管道无法使用。如果我在假设下计算预期计时，每个

\u mm256\u permute2f128\u ps

需要3个时钟周期，我得到725ns，这与我得到的结果更接近

---

所以问题是，为什么混合版本比“简单”版本更快（利用指令管道），以及我如何解决这个问题。

找到了解决方案。彼得·科尔德斯的评论把我推向了正确的方向。我的基准有些问题。我正在使用谷歌基准测试，以下是我使用的原始基准测试代码：

#包括
#包括
#包括
每个_mm256_permute2f128_ps需要3个时钟周期不，这是车道交叉洗牌的延迟。在HSW/SKL上，洗牌吞吐量为1/时钟。你是如何衡量业绩的？您确定要让CPU达到最高速度（max turbo，而不是空闲）？在Godbolt链接中，每次执行函数4.3ns看起来很正常：我计算了12条随机指令，因此12个周期/4.3ns=~2.8 GHz，假设这会使随机端口饱和，并且实际上每个时钟运行1条随机指令，而没有其他瓶颈。您还没有指定任何关于您的硬件的内容，或者您是否正在测试tput或latency@PeterCordes我在基准测试本身中发现了问题，并将解决方案添加到我的帖子中。你对时间的怀疑促使我再次检查我的基准。谢谢。我还写了我是如何想出17个周期的。我仍然需要弄清楚，编译器正在做什么来消除3个通道间排列。@彼得科德斯找到了3个
\u mm256\u permute2f128\u ps
被优化掉的原因。请参阅答案中的更新。如果这是完整答案，请将其作为答案发布，而不是作为现在非问题的一部分给它一个特殊的位置。我将尽快将相应的部分移至答案。
---------------------------------------------------------------------------
Benchmark                                 Time             CPU   Iterations
---------------------------------------------------------------------------
FixtureBenchmark_m256/7x4_assign        646 ns          646 ns      1081509
FixtureBenchmark_m256/7x4_blend         380 ns          380 ns      1847485

---------------------------------------------------------------------------
Benchmark                                 Time             CPU   Iterations
---------------------------------------------------------------------------
FixtureBenchmark_m256/7x4_assign       3.27 ns         3.27 ns    214698649
FixtureBenchmark_m256/7x4_blend        4.15 ns         4.14 ns    168642478