X86 打包（带饱和）_m256i的16位值到_m128i的8位值？

是否有AVX或AVX2操作将16x16位无符号int（uint16_t）值的

\uuuum256i

转换为16x8位无符号int（uint8_t）值的

\uuuuum128i

（采用饱和较低字节）

有

\u mm256\u packus\u epi16（）

但它使用第一次输入的前8个字节，然后使用第二次输入的前8个字节，然后使用第一次和第二次输入的第二个8个字节。。。导致8个字节的组顺序混乱

---

还有一些AVX512操作似乎可以执行所需的操作，但我不能依赖AVX512，它在许多目标机器上都不存在…

不，不能在AVX/AVX2的单个指令中执行

有_mm256_packus_epi16（），但它使用第一个输入的前8个字节，然后使用第二个输入的前8个字节，然后使用第一个和第二个输入的第二个8个字节。。。导致8个字节的组顺序混乱

以下是如何正确安排（AVX2）：

根据Skylake上的

\u mm256\u extracti128\u si256

在p5上为1µop，而

\u mm\u packus\u epi16

在p5上为1µop。这意味着这个代码块的吞吐量应该是2个周期（每两个周期一次转换）

---

您可以使用

\u mm256\u extractf128\u si256

以AVX为目标。有可能域交叉会花费额外的延迟（但吞吐量应该是相同的）。

可以

\u mm256\u permute4x64\u epi64

或另一个洗牌操作修复之后的顺序吗？我想你的意思是

\u m256i

<代码>\uuum256是一个单精度浮点向量。太棒了！！谢谢大家!@AlexanderNovikov：如果您有大量数据需要以这种方式处理，通常最好在两个输入上使用

\u mm256\u packus\u epi16

，然后

\u mm256\u permute4x64\u epi64

修复lane pack中的craptastic AVX2造成的混乱。对于一个32字节的向量，2次洗牌显然比对于两个16字节的向量，4次洗牌要好，就像你从中得到的那样（AMD Zen1上的情况除外，

vextract128

非常便宜，而车道交叉256位洗牌非常昂贵）我在上的回答显示了如何在一对

\uuuuum256i

16x16位上使用pack+vpermq fixup，以正确的顺序获得一个

\uuuuum256i

32x8位。

static inline __m128i convert(__m256i data) {
  __m128i lo_lane = _mm256_castsi256_si128(data);
  __m128i hi_lane = _mm256_extracti128_si256(data, 1);
  return _mm_packus_epi16(lo_lane, hi_lane);
}