C++ c++；在GCC内联程序集中封装单个vmovups的内联函数

我试图解决clang编译器中的一个明显缺陷，即使用AVX固有的_mm256_loadu_ps会导致在汇编中输出不必要的指令。特别是，首先，它对输入向量的前半部分执行vmovups操作，将其放入xmm寄存器，然后使用vinsertf128指令将后半部分与前半部分合并，从而使程序的速度降低一点。相反，我希望编译器分配的ymm寄存器中有一条vmovups指令

我对SSE/AVX内部函数一直很熟悉，但一旦我需要转到内联汇编，我就迷路了

我想要一个内联函数，它的功能与下面的相同，但是vmovups应该在内联程序集中

inline __mm256 V8fLoadU(const float* pf)
{
    return _mm256_loadu_ps(pf);
}

这是我到目前为止尝试过的，但不起作用（似乎将*pf single float移动到堆栈上，然后加载该空间）：

---

提前感谢。

通过将指针作为输入参数传递，您正在加载指针的值，而不是它所指向的值。您需要传递要加载的值

__m256 V8fLoadU(const float* pf)
{
    __m256 m;
    __asm__("vmovups %1, %0" : "=x" (m) : "m" (*pf));
    return m;
}

---

通过将指针作为输入参数传递，您正在加载指针的值，而不是它指向的对象。您需要传递要加载的值

__m256 V8fLoadU(const float* pf)
{
    __m256 m;
    __asm__("vmovups %1, %0" : "=x" (m) : "m" (*pf));
    return m;
}

---

这不是一个错误，这是故意的。在当代x86体系结构上，256位未对齐的访问在某些情况下可能非常慢。事实上，速度足够慢，可以更快地进行2次128位访问并将它们缝合在一起，正如您在这里看到的clang所做的那样。根据特定访问模式的详细信息，执行256位未对齐的访问可能会稍微快一点，但编译器在合成代码时只有这么多信息。如果使用对齐访问，则应始终看到256位移动指令。至少90%的时间，进入此函数的数据都已对齐。在使用发出单个vmovups指令的不同编译器对对齐和未对齐的加载进行性能比较之后，我发现只要传入的指针是预对齐的，性能就与使用对齐的变量几乎相同。这里有一些关于256b加载为何拆分的信息：。通常可以通过

-march=which

避免，而不仅仅是

-mavx2

。。。至少在海湾合作委员会。不太清楚叮当声。这不是虫子，是故意的。在当代x86体系结构上，256位未对齐的访问在某些情况下可能非常慢。事实上，速度足够慢，可以更快地进行2次128位访问并将它们缝合在一起，正如您在这里看到的clang所做的那样。根据特定访问模式的详细信息，执行256位未对齐的访问可能会稍微快一点，但编译器在合成代码时只有这么多信息。如果使用对齐访问，则应始终看到256位移动指令。至少90%的时间，进入此函数的数据都已对齐。在使用发出单个vmovups指令的不同编译器对对齐和未对齐的加载进行性能比较之后，我发现只要传入的指针是预对齐的，性能就与使用对齐的变量几乎相同。这里有一些关于256b加载为何拆分的信息：。通常可以通过

-march=which

避免，而不仅仅是

-mavx2

。。。至少在海湾合作委员会。不确定是否有叮当声。@Kumputer这意味着操作数可以在XMM/YMM寄存器中。严格来说，这是准确的，VMOVUPS支持注册到注册的移动，但在这种情况下，这不是您想要的。因此，只要使用“m”约束，它就应该按原样接受内存引用，并且不需要强制转换，因为“m”约束不关心引用的类型，它只需要有一个可表示的地址。好的，它可以工作！谢谢也就是说，代码输出看起来和我预期的一样，但性能完全相同。嗯，至少它保存了一个寄存器。@Kumputer它意味着操作数可以在XMM/YMM寄存器中。严格来说，这是准确的，VMOVUPS支持注册到注册的移动，但在这种情况下，这不是您想要的。因此，只要使用“m”约束，它就应该按原样接受内存引用，并且不需要强制转换，因为“m”约束不关心引用的类型，它只需要有一个可表示的地址。好的，它可以工作！谢谢也就是说，代码输出看起来和我预期的一样，但性能完全相同。嗯，至少它保存了一个寄存器。