这个问题继续我的问题here（根据Mystical的建议）：
继续我的问题，当我使用打包指令而不是标量指令时，使用内在函数的代码看起来非常相似：
for(int i=0; i<size; i+=16) {
y1 = _mm_load_ps(output[i]);
…
y4 = _mm_load_ps(output[i+12]);
for(k=0; k<ksize; k++){
for(l=0; l<ksize; l++){
w = _mm_set_ps1(weight[i+k+l]);
x1 = _mm_load_ps(input[i+k+l]);
y1 = _mm_add_ps(y1,_mm_mul_ps(w,x1));
…
x4 = _mm_load_ps(input[i+k+l+12]);
y4 = _mm_add_ps(y4,_mm_mul_ps(w,x4));
}
}
_mm_store_ps(&output[i],y1);
…
_mm_store_ps(&output[i+12],y4);
}
该内核的测量性能约为每个周期 5.6 FP 操作，尽管我希望它恰好是标量版本性能的 4 倍，即每个周期 4.1,6=6,4 FP 操作。
考虑到权重因子的移动（感谢您指出），时间表如下所示：
看起来时间表没有改变，尽管在movss将标量权重值移动到 XMM 寄存器然后用于shufps将这个标量值复制到整个向量中的操作之后有一条额外的指令。mulps考虑到从负载到浮点域的切换延迟，权重向量似乎已经准备好及时使用，因此这不应该产生任何额外的延迟。
这个内核中使用的movaps（对齐的、打包的移动）addps和mulps指令（用汇编代码检查）具有与其标量版本相同的延迟和吞吐量，因此这也不应该产生任何额外的延迟。
假设这个内核可以获得的最大性能是每个周期 6.4 FP ops 并且它以每个周期 5.6 FP ops 运行，是否有人知道每 8 个周期的这个额外周期花在哪里？
顺便说一下，这里是实际装配的样子：
…
Block x:
movapsx (%rax,%rcx,4), %xmm0
movapsx 0x10(%rax,%rcx,4), %xmm1
movapsx 0x20(%rax,%rcx,4), %xmm2
movapsx 0x30(%rax,%rcx,4), %xmm3
movssl (%rdx,%rcx,4), %xmm4
inc %rcx
shufps $0x0, %xmm4, %xmm4 {fill weight vector}
cmp $0x32, %rcx
mulps %xmm4, %xmm0
mulps %xmm4, %xmm1
mulps %xmm4, %xmm2
mulps %xmm3, %xmm4
addps %xmm0, %xmm5
addps %xmm1, %xmm6
addps %xmm2, %xmm7
addps %xmm4, %xmm8
jl 0x401ad6 <Block x>
…