(любой == Система. DBNull. Значение) по сравнению с (любой - Система. DBNull)

Осторожно: _mm256_fmadd_ps не является частью AVX1. FMA3 имеет свой собственный бит функции и был представлен только на Intel с Haswell. AMD представила FMA3 с Piledriver (AVX1 + FMA4 + FMA3, без AVX2).

На уровне asm, если вы хотите получить восемь 32-битных элементов в целочисленные регистры, на самом деле быстрее хранить стек, а затем выполнять скалярные нагрузки. pextrd представляет собой 2-юп-инструкцию для семейства SnB и семейства Bulldozer. (и Nehalem и Silvermont, которые не поддерживают AVX).

Единственным процессором, где vextractf128 + 2x movd + 6x pextrd не страшно, является AMD Jaguar. (дешевый pextrd и только один порт нагрузки.) (см. таблицы insner Agner Fog )

Широкое ориентированное хранилище может переходить на перекрывающиеся узкие нагрузки. (Конечно, вы можете использовать movd для получения элемента low, поэтому у вас есть соединение с портом загрузки и портом ALU).

Конечно, вы, кажется, извлекаете float s, используя целочисленный экстракт, а затем преобразовывая его обратно в float. Это кажется ужасным.

Что вам действительно нужно, каждый float в нижнем элементе собственного xmm-регистра. vextractf128, очевидно, способ начать, приведя элемент 4 к нижней части новой xmm reg. Тогда 6x AVX shufps может легко получить остальные три элемента каждой половины. (Или movshdup и movhlps имеют более короткие кодировки: нет непосредственного байта).

7 shuffle uops заслуживают рассмотрения против 1 магазина и 7 загрузочных дисков, но не если вы собираетесь проливать вектор для вызова функции.

соображения ABI:

Вы находитесь в Windows, где xmm6-15 защищены от вызова (только low128; верхние половины ymm6 -15 сбрасываются с помощью вызова). Это еще одна причина для начала работы с vextractf128.

В SysV ABI все регистры xmm / ymm / zmm вызываются вызовом, поэтому для каждой функции print() требуется пролитие / перезагрузка. Единственное, что нужно сделать, - сохранить память в памяти и вызвать print с исходным вектором (т. Е. Напечатать нижний элемент, потому что он будет игнорировать остальную часть регистра). Затем movss xmm0, [rsp+4] и называть print на втором элементе и т. Д.

Вам нехорошо получить все 8 поплавков, красиво распакованных в 8 векторных рег, потому что все они должны разливаться отдельно так или иначе перед первым вызовом функции!