如何高效将__m128寄存器最后值设为1.f且保留其余值？

针对你的需求——保留__m128寄存器中前三个浮点值（x/y/z），将第四个位置（原Scalar）替换为1.f，以下是几种高效实现方案，覆盖SSE4.1到AVX2的指令集：

单个元素处理（SSE4.1） #

方案1：使用_mm_insert_ps（推荐） #

_mm_insert_ps可以直接将单个浮点值插入到目标寄存器的指定位置，无需广播常量到整个寄存器，指令开销更低：

// 常量提前初始化，避免循环内重复生成
const __m128 one_ss = _mm_set_ss(1.f);

for (int i = 0; i < 10000; ++i) {
    __m128 rPointData = _mm_load_ps((float*)&vData[i]);
    // 控制参数0x30：将源寄存器（one_ss）的第0个元素插入到目标寄存器的第3个位置（索引从0开始）
    __m128 rPoint = _mm_insert_ps(rPointData, one_ss, 0x30);
    // 后续点运算逻辑
}

该指令仅修改目标寄存器的第四个元素，其余值完全保留，延迟低（多数CPU为1周期），吞吐量高。

方案2：优化后的_mm_blend_ps #

你原有的实现可以通过将常量移到循环外大幅优化，避免每次循环重复广播1.f：

// 常量提前初始化
const __m128 one_ps = _mm_set1_ps(1.f);

for (int i = 0; i < 10000; ++i) {
    __m128 rPointData = _mm_load_ps((float*)&vData[i]);
    // 掩码0x8对应二进制1000，仅替换第四个元素
    __m128 rPoint = _mm_blend_ps(rPointData, one_ps, 0x8);
    // 后续点运算逻辑
}

此方案指令简单，但需要先广播1.f到整个寄存器，相比_mm_insert_ps多一步广播操作，效率略低。

批量处理（AVX2，一次处理8个Vec4f） #

如果你的循环实际展开为一次处理8个元素，使用AVX2指令可以最大化SIMD利用率，减少循环次数：

// 预定义批量替换用的常量和掩码
const __m256 one_batch = _mm256_setr_ps(0.f, 0.f, 0.f, 1.f, 0.f, 0.f, 0.f, 1.f);
const __m256i blend_mask = _mm256_setr_epi32(0, 0, 0, 0xFFFFFFFF, 0, 0, 0, 0xFFFFFFFF);
const __m256 blend_mask_ps = _mm256_castsi256_ps(blend_mask);

// 一次处理8个Vec4f，步长设为8
for (int i = 0; i < 10000; i += 8) {
    // 批量加载8个Vec4f（共32个float，分4个__m256寄存器）
    __m256 vec0_1 = _mm256_load_ps((float*)&vData[i]);
    __m256 vec2_3 = _mm256_load_ps((float*)&vData[i+2]);
    __m256 vec4_5 = _mm256_load_ps((float*)&vData[i+4]);
    __m256 vec6_7 = _mm256_load_ps((float*)&vData[i+6]);

    // 批量替换每个Vec4f的第四个元素为1.f
    vec0_1 = _mm256_blendv_ps(vec0_1, one_batch, blend_mask_ps);
    vec2_3 = _mm256_blendv_ps(vec2_3, one_batch, blend_mask_ps);
    vec4_5 = _mm256_blendv_ps(vec4_5, one_batch, blend_mask_ps);
    vec6_7 = _mm256_blendv_ps(vec6_7, one_batch, blend_mask_ps);

    // 拆分回__m128寄存器用于后续运算（按需）
    __m128 rPoint0 = _mm256_extractf128_ps(vec0_1, 0);
    __m128 rPoint1 = _mm256_extractf128_ps(vec0_1, 1);
    __m128 rPoint2 = _mm256_extractf128_ps(vec2_3, 0);
    __m128 rPoint3 = _mm256_extractf128_ps(vec2_3, 1);
    __m128 rPoint4 = _mm256_extractf128_ps(vec4_5, 0);
    __m128 rPoint5 = _mm256_extractf128_ps(vec4_5, 1);
    __m128 rPoint6 = _mm256_extractf128_ps(vec6_7, 0);
    __m128 rPoint7 = _mm256_extractf128_ps(vec6_7, 1);

    // 处理8个点的运算逻辑
}

此方案通过AVX2的256位SIMD指令批量处理数据，相比单个元素处理能提升数倍吞吐量，适合大规模数据处理场景。

性能总结 #

• 单元素场景：_mm_insert_ps是最优选择，指令开销最小，延迟最低。
• 批量场景：AVX2的_mm256_blendv_ps批量替换方案能最大化利用CPU的SIMD宽度，大幅提升整体处理效率。

内容的提问来源于stack exchange，提问作者yosmo78