C++ 改进AVX中的非水平赋值

所以我在处理AVX代码时遇到了另一个问题。我有一个例子，我有4个ymm寄存器，需要垂直拆分为4个其他ymm寄存器

（即ymm0（ABCD）->ymm4（A…）、ymm5（B…）、ymm6（C…）、ymm7（D…）

以下是一个例子：

// a, b, c, d are __m256 structs with [] operators to access xyzw
__m256d A = _mm256_setr_pd(a[0], b[0], c[0], d[0]);
__m256d B = _mm256_setr_pd(a[1], b[1], c[1], d[1]);
__m256d C = _mm256_setr_pd(a[2], b[2], c[2], d[2]);
__m256d D = _mm256_setr_pd(a[3], b[3], c[3], d[3]);

---

只是把保罗的评论放在一个答案中：

我的问题是如何在AVX中轻松完成矩阵转换，如他提供的链接所示

以下是我为那些在这里遇到的人提供的实施方案：

void Transpose(__m256d* A, __m256d* T)
{
    __m256d t0 = _mm256_shuffle_pd(A[0], A[1], 0b0000);
    __m256d t1 = _mm256_shuffle_pd(A[0], A[1], 0b1111);
    __m256d t2 = _mm256_shuffle_pd(A[2], A[3], 0b0000);
    __m256d t3 = _mm256_shuffle_pd(A[2], A[3], 0b1111);
    T[0] = _mm256_permute2f128_pd(t0, t2, 0b0100000);
    T[1] = _mm256_permute2f128_pd(t1, t3, 0b0100000);
    T[2] = _mm256_permute2f128_pd(t0, t2, 0b0110001);
    T[3] = _mm256_permute2f128_pd(t1, t3, 0b0110001);
}

---

与我之前的尝试相比，此函数在完全优化时将指令数量减少了一半左右

从a、b、c、d加载4个连续向量，然后执行4x4转置（这可以非常有效地实现-请参阅）。@PaulR感谢链接。我不知道我在问如何做矩阵的4x4转置。