将 8 个字符从内存加载到 __m256 变量中作为打包单精度浮点数

为了优化高斯模糊算法，您寻求用 __m256 内在变量替换浮点缓冲区的使用。本问题旨在确定此任务的最佳指令。

AVX2 架构说明：

• 利用 PMOVZX 将字符零扩展为 32 位256b 寄存器中的整数。
• 使用 VCVTDQ2PS 就地转换为浮点数。

; rsi = new_image
VPMOVZXBD   ymm0,  [rsi]   ; or SX to sign-extend  (Byte to DWord)
VCVTDQ2PS   ymm0, ymm0     ; convert to packed foat

其他策略：

• 考虑使用 128 位广播负载来提供 vpmovzxbd ymm,xmm 和 vpshufb ymm (_mm256_shuffle_epi8)高 64 位。这种方法减少了 uop 数量，并且对 Ryzen CPU 有益。
• 避免使用额外的 shuffle 指令，因为当 shuffle 已经成为限制时，它们可能会成为瓶颈。

AVX1 架构说明：

• 执行以下步骤：

  VPMOVZXBD   xmm0,  [rsi]
  VPMOVZXBD   xmm1,  [rsi 4]
  VINSERTF128 ymm0, ymm0, xmm1, 1   ; put the 2nd load of data into the high128 of ymm0
  VCVTDQ2PS   ymm0, ymm0     ; convert to packed float

内在函数注意事项：

• GCC 和 MSVC 可能需要特殊处理，以确保在使用内在函数时实现最佳代码生成VPMOVZXBD ymm,[mem].
• 请考虑使用 _mm_loadl_epi64 内在函数，它可以折叠到内存操作数中，以便在 GCC 版本 9 及更高版本上使用 GCC 在 -O3 处实现最佳 asm。
• For仅限 AVX1 的优化，编写内在函数版本是一项无趣的练习。