弄了SSE指令集，必然会在不同的场合不同的人群中了解到还有更为高级的AVX指令集的存在，早些年也确实有偶尔写点AVX的函数，但是一直没有深入的去了解，这个十一，那里也没去，终于开启了真正的AVX之旅，本文对AVX编程做个初步的小结。
弄了SSE指令集，必然会在不同的场合不同的人群中了解到还有更为高级的AVX指令集的存在，早些年也确实有偶尔写点AVX的函数，但是一直没有深入的去了解，今年十一期间也没到那里去玩，一个人在家里抽空就折腾下这个东西，也慢慢的开始了解了这个东西，下面是基于目前的认知对这个东西进行下一个简单的小结，有些东西也许是不正确或者不全面的，但应该无伤大雅。
第一、用AVX指令集必须做好合适的IDE配置。
如果你们有看过我之前的一些文章，应该可以看到我在部分博文中有多次提高过“使用AVX对该算法似乎没有什么速度和效率方面的提升”，那么现在我这里要稍微纠正一下：即如果一个算法可以用AVX有效的写出来，那么其效率肯定是不会比同样思路的SSE代码效率低，核心是需要更改一些配置，核心的是下面的配置：
即如果你自己使用AVX的Intrinsic编码， 那么在C/C++ ->代码生成的启用增强指令集里一定要选择 高级矢量扩展（/arch:AVX）选项，或者高级版本的VS可以选择高级矢量扩展（/arch:AVX2）。
如果您没有选择上面的这些选项，比如选择了流式处理SIMD扩展（SSE），那么很有可能，你使用的AVX算法会得到效率很低的版本，我想一个核心的原因是你如果勾选了SSE，那么你在算法里的部分代码会被编译器优化为SSE代码，这样就可能存在AVX和SSE代码共存的情况，但是几乎可以肯定的是，AVX <-> SSE转换延迟是由于将传统SSE与没有vzeroupper的256位AVX指令混合使用引起的。而如果选择" / arch：AVX"，则编译器可能很好照顾你自己写的SSE代码，他会在适当的地方加上类似于vzeroupper这样的代码。
第二：AVX代码很难完全脱离SSE单独使用。
AVX无法像SSE一样，独立的使用其体系内的函数完成一个独立的功能，我们去看AVX的指令系统，其很多参数或者返回值都有__m128,__m128i,__m128d这些SSE数据类型的影子，因此AVX必然和SSE共存，比如大量的数据类型转换函数，提取函数等等。
第三：AVX并不是简单的SSE的扩展，很多函数的使用方式完全不同了。
原本以为一些和SSE形态基本一样的函数只是把128位扩展到256位，那么原来的SSE代码只要改下循环步长就可以了，但是实际上很多函数已经不是这样了。
其中数据计算类、类型转换类、数据加载保存类、数值比较类、大部分移位类基本上是直接的扩展，这些比较典型的比如 加减陈处、最大、最小、平均值、8位转为16位，16位转为32位、数据大小比较等等。
但是shuffle类函数、unpack拆包类、pack打包类就完蛋了，他们都是以一个128位为一个平面进行的，就相当于他们就是对2个SSE进行同样的操作。这样的操作初步看起来对于SSE代码转AVX是个灾难，因为其实我们知道特别是shuffle，是SSE的精华，这样的话，如果用到了shuffle类的函数，所有的代码都要从算法层次上更改。同样的打包函数也是有类似的情况。
_mm_shuffle_epi8这个函数，他其实可以代替其他所有的shuffle，因为他是以字节为单位的。同样_mm256_shuffle_epi8则是以高低2个128位lanes独立操作，相互之间的shuffle互不相干，这样导致高低位之间无法直接交流。
_mm256_srli_si256、_mm256_slli_si256 ，这也导致一些以字节为单位的移位算法，无法直接使用了。
第四、没有AVX2的AVX对图像处理来说简直是个灾难。
上面说了AVX和SSE的这些不同，这些不同给图像处理带来了很大的困惑，因为图像的数据基本都是以字节为单位的，而且很多计算都是以整形为基础的，在AVX中，强调的主要是高性能计算，提供的函数基本上都是针对浮点数的，很少有整形的函数。也缺少一些数据的相互转换。所以AVX2给我们带来了希望，增加了丰富和完整的数据类型转换函数、以及各种整形的比较、数值计算、移位等功能，可以说，AVX2对于AVX就有点类似于SSE4.2对于SSE，有了他，对于图像来说，就有了灵魂了。
另外，AVX2还增加了一些的permute方面的函数，这个为我们打通AVX中2个独立128位lanes提供了有力的工具和手段。比如说如果我们需要把2个__m256i中的整形数据（8个int32）保存到16个字节中，这肯定是需要使用打包功能的，但是AVX的打包不是按照SSE的方式进行的打包，这个时候我们就可以用_mm256_permutevar8x32_epi32来协调处理。
inline void _mm256_store2si256_16char(unsigned char *Dest, __m256i Result_L, __m256i Result_H)
{
// short A0 A1 A2 A3 B0 B1 B2 B3 A4 A5 A6 A7 B4 B5 B6 B7
__m256i Result = _mm256_packs_epi32(Result_L, Result_H);
// byte A0 A1 A2 A3 B0 B1 B2 B3 0 0 0 0 0 0 0 0 A4 A5 A6 A7 B4 B5 B6 B7 0 0 0 0 0 0 0 0
Result = _mm256_packus_epi16(Result, _mm256_setzero_si256());
// A0 A1 A2 A3 B0 B1 B2 B3 A4 A5 A6 A7 B4 B5 B6 B7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
_mm_storeu_si128((__m128i *)Dest, _mm256_castsi256_si128(_mm256_permutevar8x32_epi32(Result, _mm256_setr_epi32(0, 4, 1, 5, 2, 3, 6, 7))));
}
可以这样认为，_mm256_permutevar8x32_epi32就是类似于SSE环境下的256位的32位shuffle，即真正的_mm256_shuffle_epi32。
AVX2里还增加了一各比较特别的功能，gather系列指令，这个系列的指令可以从不同的位置收集数据到寄存器中，这个是在SSE中缺失的。这个功能可以实现更为快速的数据查表功能，我们后续应该会有一个单独的文章讲这个算子。
第五、AVX相较于SSE的提速可能没有你想象的高
表面上看，AVX一次性可以处理256位数据，SSE只能处理128位，带宽是提高了一倍，但是从实际的测试表现来看，同样的算法，使用AVX的提速比相对于SSE来说绝对是不可能达到1倍的，能有40%的提速就已经很不错了，这也导致我们从SSE转型为AVX时能得到的喜悦绝对没有从C++转型到SSE时那么充足。很多算法只有5%的提速，这当然于算法本身的结构有关，如果是以读取内存为主的程序，提速比会很低，以数值计算、比较等等为主的程序就要稍微高一些，我目前写的一些AVX程序和SSE比较，提速比大概5%到35%之间。
另外一点，在不同的CPU上（都支持AVX及AVX2），同一个算法的提速比例也是不同，我甚至遇到过AVX还比SSE慢一点的CPU（都是64位程序），这个目前我不知道是为什么。
第六、AVX和SSE的选择问题
这个没有绝对的，只是谈点自己的看法。
在PC上，一个算法如果需要使用SIMD优化，除了考虑硬件的因素外（现在市面上能看到的硬件不支持AVX或者AVX2的还是有很多在使用的，特备是AVX2，我他妈的去年买的一个机器，CPU居然还只支持AVX，也是醉了），还要考虑算法本身的粒度，SSE真的很自由，特别是shuffle，说实在的，我倒现在还没想到，如何用AVX2实现 32个字节的自由shuffle, AVX的那个_mm256_shuffle_epi8就是个太监啊。 所以你的算法里需要借用大量这样的shuffle,还是考虑用SSE吧， 如果以32位整形数据或者浮点计算为主，AVX肯定在效率上还是要更为高效。
在学习曲线上，如果你没有AVX的基础，直接从C开始使用AVX，你会发现你要做很多弯路，因为正如前面所述，使用AVX脱离不了SSE，最好先了解一点SSE的知识。
如果有SSE的基础，去转学AVX，则轻松很多，只需要把AVX2里的那个permute、broadcast等等理解透了，你也就基本掌握了真谛。
其他：
十一期间，我大概把我原有的基于SSE算法里抽取20个左右，转换为AVX的版本，另外，还提供了普通的C语言版本的算法，并提供了速度比较，注意，其实这里的C语言算法，并不是真正的C算法了，他只能说是编译器自动向量化后的算法，也就是比较编译器自己的向量化和我们手工向量化的速度差异了。因为在同一个DEMO里，为了照顾AVX的代码，只能选择/arch:AVX选项。
标签：mm256,AVX2,AVX,算法,图像,SSE,shuffle From： https://blog.51cto.com/u_15341345/5760751