Intrinsics函数Tips与踩坑

Intrinsics函数踩坑，感觉用Intrinsics函数，最重要的是不能想当然，只有想不到。。还是得参考官方文档来

一系列乘法MUL——_mm256_mul_epi32

这个乘法会把32位的两个整数扩展为64位再相乘，最后结果竟然存成64位！！如果要存为32位的数，应该用下面的函数_mm256_mullo_epi32

一系列set——_mm256_set_epi32

set函数的都是这样，参数顺序是反的。而且似乎性能巨差

看汇编可以发现，set是调用了多轮insertf指令，一点点构建向量。

整数load——_mm512_load_epi32

第一次做把int数组加载到zmm寄存器中的时候，想当然的用了_mm512_load_epi32这个函数，结果编译的时候报错，找不到对应的函数，才发现load一个int类型的数组要用这个函数_mm512_loadu_si512

一看到这个函数，我就发现自己格局小了，，反正是load连续512位的内存，何必区分位数呢。
进一步想，为什么浮点数类型就要区分精度了呢？推测是__mm512i和__mm512两个结构的区别。

loadu和load

区别很明显，load要求内存对齐，而loadu不要求，似乎是在汇编层面上做了什么操作？
内存地址对齐的方法：
1.利用struct，挺多博客讲的，不过似乎不同编译器对齐原则稍有差别（需要考证），附一篇写的很好的博客
2.#pragma pack预编译指令
3._mm_free与_mm_malloc
4.手动对齐，下面的代码通过先开辟空间再手动对齐的方式，完成了对pvbQueryProf、pvsQueryProf、pvH1、pvH2、pvE空间的分配

pSwData->pData = (unsigned char *) calloc (nCount, sizeof (__m256i));
    if (!pSwData->pData) {
        fprintf (stderr, "Unable to allocate memory for SW data buffers\n");
        exit (-1);
    }

    /* since we might port this to another platform, lets align the data */
    /* to 16 byte boundries ourselves */
    aligned = ((size_t) pSwData->pData + 15) & ~(0x0f);//对齐

    pSwData->pvbQueryProf = (__m256i *) aligned;
    pSwData->pvsQueryProf = pSwData->pvbQueryProf + lenQryByte * ALPHA_SIZE;

    pSwData->pvH1 = pSwData->pvsQueryProf + lenQryShort * ALPHA_SIZE;
    pSwData->pvH2 = pSwData->pvH1 + lenQryShort;
    pSwData->pvE  = pSwData->pvH2 + lenQryShort;

shift

_mm128_slli_si128函数是将128位的xmm寄存器整体左移n个byte，而_mm256_slli_si256是将两个256位的ymm寄存器按128位为一个整体左移。

可以通过如下的形式实现了256位寄存器的整体左移与右移操作，其中A为源寄存器，N为移动的字节数：
左移：
_mm256_alignr_epi8(A, _mm256_permute2x128_si256(A, A, _MM_SHUFFLE(0, 0, 2, 0)), 16 - N)
右移：
_mm256_alignr_epi8(_mm256_permute2x128_si256(A, A, _MM_SHUFFLE(2, 0, 0, 1)), A, N)

不规则内存读写——gather和scatter

非常牛的两种CPU特性，gather和scatter，一个读一个写，具体看图

类型转换

最有用的是cvt系列的指令，比如_mm256_cvtepi16_epi32

还有extractf，可以用来提取向量中的一部分

一个了解向量化指令的方法

从一位学长那学来的，可以写一个方便自动向量化的简单循环，看一下这个循环的汇编即可