x86 Intrinsics：将8个32位掩码扩展为8个64位掩码的高效方法？

你当前通过_mm256_set_ps逐个复制掩码元素的方式效率很低，会生成大量内存加载和单元素操作指令。可以利用AVX2向量指令全程在寄存器内完成掩码扩展与递增操作，无需拆分单个元素：

最优方案：直接处理整数掩码（推荐） #

浮点比较得到的__m256掩码中，每个32位元素为0x00000000（比较不成立）或0xFFFFFFFF（比较成立），直接转换为整数类型处理更高效：

// 1. 将浮点掩码转换为32位整数掩码
__m256i mask_i = _mm256_castps_si256(mask);
// 2. 将全1/全0的32位值转换为0/1的增量（右移31位提取符号位）
__m256i mask_32 = _mm256_srli_epi32(mask_i, 31);
// 3. 将32位增量扩展为64位，对应8个64位整数的递增标记
__m256i mask_low_64 = _mm256_unpacklo_epi32(mask_32, mask_32); // 前4个64位增量
__m256i mask_high_64 = _mm256_unpackhi_epi32(mask_32, mask_32); // 后4个64位增量
// 4. 执行递增操作
values[0] = _mm256_add_epi64(values[0], mask_low_64);
values[1] = _mm256_add_epi64(values[1], mask_high_64);

备选方案：仅扩展浮点掩码（若需保留浮点格式） #

如果必须保持掩码为__m256格式，可用AVX2洗牌指令高效复制元素，避免逐个加载：

// 提取掩码低128位（前4个元素）并生成重复两次的掩码
__m256 half0 = _mm256_extractf128_ps(mask, 0);
__m256 padded0 = _mm256_shuffle_ps(half0, half0, _MM_SHUFFLE(1,1,0,0) | (_MM_SHUFFLE(3,3,2,2) << 4));

// 提取掩码高128位（后4个元素）并生成重复两次的掩码
__m256 half1 = _mm256_extractf128_ps(mask, 1);
__m256 padded1 = _mm256_shuffle_ps(half1, half1, _MM_SHUFFLE(1,1,0,0) | (_MM_SHUFFLE(3,3,2,2) << 4));

const __m256 paddedMask[2] = {padded0, padded1};

这种方式仅需几条洗牌指令，全程寄存器操作，比原代码的_mm256_set_ps高效得多。

内容的提问来源于stack exchange，提问作者allanmb