AVX512：如何将32个16位字按顺序拆分为两组32位双字并打包？

原代码中使用_mm512_unpacklo/hi_epi16无法满足需求的核心原因是：这类unpack指令在每个128位lane内部对16位元素进行交错拆分，而非按整个寄存器的前16/后16元素分割，因此得到的是分组交错的结果，不符合你的要求。

以下是两种高效且直观的实现方案：

方案1：拆分+扩展（推荐，逻辑清晰且性能最优） #

先将原__m512i寄存器拆分为两个__m256i（各包含16个16位字），再分别将16位字零扩展为32位双字：

#include <immintrin.h>
#include <stdio.h>

int main()
{
    unsigned short int Src[32], Dst[32];
    int DstHi[16], DstLo[16];

    for (int i = 0; i < 32; i++) Src[i] = i;

    __m512i src = _mm512_loadu_si512((__m512i*)Src);

    // 拆分原寄存器：取前256位（16个16位字）和后256位（16个16位字）
    __m256i src_lo_256 = _mm512_extracti64x4_epi64(src, 0);
    __m256i src_hi_256 = _mm512_extracti64x4_epi64(src, 1);

    // 将无符号16位字零扩展为32位双字，填充到__m512i寄存器
    __m512i dst_lo = _mm512_cvtepu16_epi32(src_lo_256);
    __m512i dst_hi = _mm512_cvtepu16_epi32(src_hi_256);

    // 验证输出
    _mm512_storeu_si512((__m512i*)DstLo, dst_lo);
    _mm512_storeu_si512((__m512i*)DstHi, dst_hi);

    printf("DstLo (前16个16位字扩展为32位):");
    for (int i = 0; i < 16; i++) printf("%d,", DstLo[i]);
    printf("\nDstHi (后16个16位字扩展为32位):");
    for (int i = 0; i < 16; i++) printf("%d,", DstHi[i]);

    // 可选：将32位双字压缩回16位字，验证数据完整性
    __m512i dst = _mm512_packus_epi32(dst_lo, dst_hi);
    _mm512_storeu_si512((__m512i*)Dst, dst);
    printf("\nDst packed back:\n");
    for (int i = 0; i < 32; i++) printf("%d;", Dst[i]);

    return 0;
}

关键指令说明： #

• _mm512_extracti64x4_epi64：将__m512i按64位块拆分，参数0提取前4个64位块（共256位，对应原寄存器的前16个16位字），参数1提取后4个64位块。
• _mm512_cvtepu16_epi32：将__m256i中的16个无符号16位元素零扩展为16个32位元素，刚好填满一个__m512i寄存器，高位自动补0。

方案2：掩码重排（紧凑实现） #

如果希望用更少的指令完成操作，可以利用_mm512_permutexvar_epi32配合预定义掩码直接重排元素：

#include <immintrin.h>
#include <stdio.h>

int main()
{
    unsigned short int Src[32], Dst[32];
    int DstHi[16], DstLo[16];

    for (int i = 0; i < 32; i++) Src[i] = i;

    __m512i src = _mm512_loadu_si512((__m512i*)Src);

    // 预定义重排掩码：分别对应前16和后16个16位元素的扩展位置
    const __m512i mask_lo = _mm512_set_epi32(7,6,5,4,3,2,1,0,15,14,13,12,11,10,9,8);
    const __m512i mask_hi = _mm512_set_epi32(23,22,21,20,19,18,17,16,31,30,29,28,27,26,25,24);

    // 将整个__m512i的32个16位元素零扩展为64个32位元素，存入两个__m512i
    __m512i src_epi32_lo = _mm512_cvtepu16_epi32(_mm512_castsi512_si256(src));
    __m512i src_epi32_hi = _mm512_cvtepu16_epi32(_mm512_extracti64x4_epi64(src, 1));

    // 合并扩展后的元素
    __m512i src_epi32 = _mm512_inserti64x4_epi64(src_epi32_lo, src_epi32_hi, 1);

    // 按掩码重排得到目标寄存器
    __m512i dst_lo = _mm512_permutexvar_epi32(mask_lo, src_epi32);
    __m512i dst_hi = _mm512_permutexvar_epi32(mask_hi, src_epi32);

    // 验证输出
    _mm512_storeu_si512((__m512i*)DstLo, dst_lo);
    _mm512_storeu_si512((__m512i*)DstHi, dst_hi);

    printf("DstLo (前16个16位字扩展为32位):");
    for (int i = 0; i < 16; i++) printf("%d,", DstLo[i]);
    printf("\nDstHi (后16个16位字扩展为32位):");
    for (int i = 0; i < 16; i++) printf("%d,", DstHi[i]);

    return 0;
}

说明： #

• 先将原寄存器的前后两部分分别扩展为32位，再合并为一个1024位的虚拟向量（通过两个__m512i拼接），最后用掩码重排提取需要的元素。
• 该方案指令数略少，但逻辑相对复杂，性能与方案1接近，适合对代码紧凑性有要求的场景。

内容的提问来源于stack exchange，提问作者Andrey Dmitriev