AVX(2) ではなく SSE から SSE4.1 を持っていると仮定すると、次のようなパックされたメモリ レイアウト (すべて 32 ビット整数) をロードする最速の方法は次のとおりです。
a0 b0 c0 d0 a1 b1 c1 d1 a2 b2 c2 d2 a3 b3 c3 d3
4 つのベクトルにa, b, c, d?
a: {a0, a1, a2, a3}
b: {b0, b1, b2, b3}
c: {c0, c1, c2, c3}
d: {d0, d1, d2, d3}
これが関連しているかどうかはわかりませんが、実際のアプリケーションでは 16 個のベクトルがありa0、a1メモリ内で 16*4 バイト離れています。
ここで必要なのは、4 つのロードとそれに続く 4x4 転置です。
#include "emmintrin.h" // SSE2
v0 = _mm_load_si128((__m128i *)&a[0]); // v0 = a0 b0 c0 d0
v1 = _mm_load_si128((__m128i *)&a[16]); // v1 = a1 b1 c1 d1
v2 = _mm_load_si128((__m128i *)&a[32]); // v2 = a2 b2 c2 d2
v3 = _mm_load_si128((__m128i *)&a[48]); // v3 = a3 b3 c3 d3
// 4x4 transpose
w0 = _mm_unpacklo_epi32(v0, v1); // w0 = a0 a1 b0 b1
w1 = _mm_unpackhi_epi32(v0, v1); // w1 = c0 c1 d0 d1
w2 = _mm_unpacklo_epi32(v2, v3); // w2 = a2 a3 b2 b3
w3 = _mm_unpackhi_epi32(v2, v3); // w3 = c2 c3 d2 d3
v0 = _mm_unpacklo_epi64(w0, w2); // v0 = a0 a1 a2 a3
v1 = _mm_unpackhi_epi64(w0, w2); // v1 = b0 b1 b2 b3
v2 = _mm_unpacklo_epi64(w1, w3); // v2 = c0 c1 c2 c3
v3 = _mm_unpackhi_epi64(w1, w3); // v3 = d0 d1 d2 d3
注: これはおそらく、AVX2 の収集されたロードを使用するよりも効率的です。これは、要素ごとに読み取りサイクルが生成されるため、アクセス パターンが不明または操作が難しい場合にのみ実際に役立つからです。