Извлечь младший бит каждого логического байта в __m128i? массив bool в упакованное растровое изображение

Значит, ваши исходные данные непрерывны? Вам следует использовать _mm_load_si128 вместо того, чтобы возиться со скалярными компонентами векторных типов.

Ваша настоящая проблема заключается в упаковке массива bool (1 байт на элемент в ABI, используемом g ++ на x86) в растровое изображение. Вы должны делать это с SIMD, а не со скалярным кодом, чтобы установить 1 бит или байт за раз.

pmovmskb (_mm_movemask_epi8) отлично подходит для извлечения одного бита на байт ввода. Вам просто нужно расположить так, чтобы нужный бит оказался в высоком.

Очевидным выбором был бы сдвиг, но инструкции векторного сдвига конкурируют за тот же порт выполнения, что и pmovmskb на Haswell (порт 0). (http://agner.org/optimize/). Вместо этого добавление 0x7F создаст 0x80 (набор старших битов) для ввода 1, но 0x7F (сброс старших битов) для ввода 0 . (И bool в x86-64 System V ABI должен храниться в памяти как целое число 0 или 1, а не просто 0 по сравнению с любым ненулевым значением).

Почему не pcmpeqb против _mm_set1_epi8(1)? Skylake работает pcmpeqb на портах 0/1, но paddb на всех трех векторных портах ALU (0/1/5). Однако очень часто используется pmovmskb в результате pcmpeqb/w/d/q.

#include <immintrin.h>
#include <stdint.h>

// n is the number of uint16_t dst elements
// We access n*16 bool elements from src.
void pack_bools(uint16_t *dst, const bool *src, size_t n)
{
     // you can later access dst with __m128i loads/stores

    __m128i carry_to_highbit = _mm_set1_epi8(0x7F);
    for (size_t i = 0 ; i < n ; i+=1) {
        __m128i boolvec = _mm_loadu_si128( (__m128i*)&src[i*16] );
        __m128i highbits = _mm_add_epi8(boolvec, carry_to_highbit);
        dst[i] = _mm_movemask_epi8(highbits);
    }
}

Поскольку при записи этого растрового изображения мы хотим использовать скалярные хранилища, мы хотим, чтобы dst находился в uint16_t по причинам строгого сглаживания. С AVX2 вам понадобится uint32_t. (Или если вы сделали combine = tmp1 << 16 | tmp для объединения двух результатов pmovmskb. Но, вероятно, не делайте этого.)

Это компилируется в такой цикл asm (с gcc7.3 -O3 в проводнике компилятора Godbolt)

.L3:
    movdqu  xmm0, XMMWORD PTR [rsi]
    add     rsi, 16
    add     rdi, 2
    paddb   xmm0, xmm1
    pmovmskb        eax, xmm0
    mov     WORD PTR [rdi-2], ax
    cmp     rdx, rsi
    jne     .L3

Так что это не замечательно (7 мопов fuse-domain -> узкое место переднего конца при 16 bool за ~ 1,75 такта). Clang разворачивается на 2 и должен обрабатывать 16 булов за 1,5 цикла.

Использование сдвига (pslld xmm0, 7) будет выполняться только на одной итерации за 2 цикла на Haswell, узким местом является порт 0.