x86/x64 SIMD命令一覧表　（SSE～AVX2）

MMXレジスタ(64ビット)の命令は割愛しました。

S1=SSE  S2=SSE2 S3=SSE3 SS3=SSSE3 S4.1=SSE4.1 S4.2=SSE4.2 V1=AVX V2=AVX2 #=64ビットモード専用

*はPS/PD/DQ を SS/SD/SI に変えるとスカラー命令（最下位のひとつのデータだけ計算）になります。

各命令の下の青字はその命令に対応するC/C++ intrinsicsの名前です。

AVX/AVX2

• SSE4.2までの命令の先頭にVをつけるとAVX命令になります。
• 実数のAVX命令でスカラーでないものはYMMレジスタで256ビット演算ができます。
• 整数のAVX命令でYMMレジスタが使えるのはAVX2からです。
• instrinsicsで256ビット命令を使うには先頭の_mmを_mm256に、末尾のsi128をsi256に変えます。
• YMMレジスタの使用には対応OSが必要です（Windowsなら7 SP1以降）。CPUIDのチェックのほかにOSのチェックが必要になります。
• YMMレジスタは基本的に上位128ビットと下位128ビットのレーンに別れて各レーンの中で動きます。横方向に動く命令（unpack, shuffle, horizontal演算、バイトシフト、変換など）の動作は変則的になるのでマニュアルでよく確認して下さい。

うろ覚えの命令名を見つけてマニュアルを引けるようにするために作ったものです。プログラミングの際にはこの表の内容を元にせずに必ずマニュアルで確認してください。

Intelの マニュアル→　http://www.intel.co.jp/content/www/jp/ja/processors/architectures-software-developer-manuals.html

お気づきの点がありましたらこちらのフィードバックフォーム、またはメールでページ末尾のアドレスまでご一報いただければ幸甚です。

MOVE

	整数				実数			YMMレーン(128bit)
	QWORD	DWORD	WORD	BYTE	倍精度	単精度	半精度
XMM全体 ↑↓ XMM/mem	MOVDQA (S2 _mm_load_si128 _mm_store_si128 MOVDQU (S2 _mm_loadu_si128 _mm_storeu_si128				MOVAPD (S2 _mm_load_pd _mm_loadr_pd _mm_store_pd _mm_storer_pd MOVUPD (S2 _mm_loadu_pd _mm_storeu_pd	MOVAPS (S1 _mm_load_ps _mm_loadr_ps _mm_store_ps _mm_storer_ps MOVUPS (S1 _mm_loadu_ps _mm_storeu_ps
XMM上半分 ↑↓ mem					MOVHPD (S2 _mm_loadh_pd _mm_storeh_pd	MOVHPS (S1 _mm_loadh_pi _mm_storeh_pi
XMM上半分 ↑↓ XMM下半分						MOVHLPS (S1 _mm_movehl_ps MOVLHPS (S1 _mm_movelh_ps
XMM下半分 ↑↓ mem	MOVQ (S2 _mm_loadl_epi64 _mm_storel_epi64				MOVLPD (S2 _mm_loadl_pd _mm_storel_pd	MOVLPS (S1 _mm_loadl_pi _mm_storel_pi
XMM最下位ひとつ ↑↓ r/m	MOVQ (S2# _mm_cvtsi64_si128 _mm_cvtsi128_si64	MOVD (S2 _mm_cvtsi32_si128 _mm_cvtsi128_si32
XMM最下位ひとつ ↑↓ XMM/mem	MOVQ (S2 _mm_move_epi64				MOVSD (S2 _mm_load_sd _mm_store_sd _mm_move_sd	MOVSS (S1 _mm_load_ss _mm_store_ss _mm_move_ss
XMM全体 ↑ ひとつのデータ	小ネタ2 _mm_set1_epi64x VPBROADCASTQ (V2 _mm_broadcastq_epi64	小ネタ2 _mm_set1_epi32 VPBROADCASTD (V2 _mm_broadcastd_epi32	小ネタ2 _mm_set1_epi16 VPBROADCASTW (V2 _mm_broadcastw_epi16	_mm_set1_epi8 VPBROADCASTB (V2 _mm_broadcastb_epi8	小ネタ2 _mm_set1_pd _mm_load1_pd MOVDDUP (S3 _mm_movedup_pd _mm_loaddup_pd	小ネタ2 _mm_set1_ps _mm_load1_ps VBROADCASTSS 　memから (V1 　XMMから(V2 _mm_broadcast_ss
YMM全体 ↑ ひとつのデータ	VPBROADCASTQ (V2 _mm256_broadcastq_epi64	VPBROADCASTD (V2 _mm256_broadcastd_epi32	VPBROADCASTW (V2 _mm256_broadcastw_epi16	VPBROADCASTB (V2 _mm256_broadcastb_epi8	VBROADCASTSD  memから (V1  XMMから (V2 _mm256_broadcast_sd	VBROADCASTSS  memから (V1  XMMから(V2 _mm256_broadcast_ss		VBROADCASTF128 (V1 _mm256_broadcast_ps _mm256_broadcast_pd VBROADCASTI128 (V2 _mm256_broadcastsi128_si256
XMM ↑ 複数個のデータ	_mm_set_epi64x _mm_setr_epi64x	_mm_set_epi32 _mm_setr_epi32	_mm_set_epi16 _mm_setr_epi16	_mm_set_epi8 _mm_setr_epi8	_mm_set_pd _mm_setr_pd	_mm_set_ps _mm_setr_ps
XMM全体 ↑ ゼロ	小ネタ1 _mm_setzero_si128				小ネタ1 _mm_setzero_pd	小ネタ1 _mm_setzero_ps
extract	PEXTRQ (S4.1# _mm_extract_epi64	PEXTRD (S4.1 _mm_extract_epi32	PEXTRW rへ (S2 PEXTRW r/mへ (S4.1 _mm_extract_epi16	PEXTRB (S4.1 _mm_extract_epi8	→MOVHPD (S2 _mm_loadh_pd _mm_storeh_pd →MOVLPD (S2 _mm_loadl_pd _mm_storel_pd	EXTRACTPS (S4.1 _mm_extract_ps		VEXTRACTF128 (V1 _mm256_extractf128_ps _mm256_extractf128_pd _mm256_extractf128_si256 VEXTRACTI128 (V2 _mm256_extracti128_si256
insert	PINSRQ (S4.1# _mm_insert_epi64	PINSRD (S4.1 _mm_insert_epi32	PINSRW (S2 _mm_insert_epi16	PINSRB (S4.1 _mm_insert_epi8	→MOVHPD (S2 _mm_loadh_pd _mm_storeh_pd →MOVLPD (S2 _mm_loadl_pd _mm_storel_pd	INSERTPS (S4.1 _mm_insert_ps		VINSERTF128 (V1 _mm256_insertf128_ps _mm256_insertf128_pd _mm256_insertf128_si256 VINSERTI128 (V2 _mm256_inserti128_si256
unpack	PUNPCKHQDQ (S2 _mm_unpackhi_epi64 PUNPCKLQDQ (S2 _mm_unpacklo_epi64	PUNPCKHDQ (S2 _mm_unpackhi_epi32 PUNPCKLDQ (S2 _mm_unpacklo_epi32	PUNPCKHWD (S2 _mm_unpackhi_epi16 PUNPCKLWD (S2 _mm_unpacklo_epi16	PUNPCKHBW (S2 _mm_unpackhi_epi8 PUNPCKLBW (S2 _mm_unpacklo_epi8	UNPCKHPD (S2 _mm_unpackhi_pd UNPCKLPD (S2 _mm_unpacklo_pd	UNPCKHPS (S1 _mm_unpackhi_ps UNPCKLPS (S1 _mm_unpacklo_ps
shuffle/permute	VPERMQ (V2 _mm256_permute4x64_epi64	PSHUFD (S2 _mm_shuffle_epi32 VPERMD (V2 _mm256_permutevar8x32_epi32	PSHUFHW (S2 _mm_shufflehi_epi16 PSHUFLW (S2 _mm_shufflelo_epi16	PSHUFB (SS3 _mm_shuffle_epi8	SHUFPD (S2 _mm_shuffle_pd VPERMILPD (V1 _mm_permute_pd _mm_permutevar_pd VPERMPD (V2 _mm256_permute4x64_pd	SHUFPS (S1 _mm_shuffle_ps VPERMILPS (V1 _mm_permute_ps _mm_permutevar_ps VPERMPS (V2 _mm256_permutevar8x32_ps		VPERM2F128 (V1 _mm256_permute2f128_ps _mm256_permute2f128_pd _mm256_permute2f128_si256 VPERM2I128 (V2 _mm256_permute2x128_si256
blend		VPBLENDD (V2 _mm_blend_epi32	PBLENDW (S4.1 _mm_blend_epi16	PBLENDVB (S4.1 _mm_blendv_epi8	BLENDPD (S4.1 _mm_blend_pd BLENDVPD (S4.1 _mm_blendv_pd	BLENDPS (S4.1 _mm_blend_ps BLENDVPS (S4.1 _mm_blendv_ps
move and duplicate					MOVDDUP (S3 _mm_movedup_pd _mm_loaddup_pd	MOVSHDUP (S3 _mm_movehdup_ps MOVSLDUP (S3 _mm_moveldup_ps
mask move	VPMASKMOVQ (V2 _mm_maskload_epi64 _mm_maskstore_epi64	VPMASKMOVD (V2 _mm_maskload_epi32 _mm_maskstore_epi32			VMASKMOVPD (V1 _mm_maskload_pd _mm_maskstore_pd	VMASKMOVPS (V1 _mm_maskload_ps _mm_maskstore_ps
最上位ビット抽出				PMOVMSKB (S2 _mm_movemask_epi8	MOVMSKPD (S2 _mm_movemask_pd	MOVMSKPS (S1 _mm_movemask_ps
gather	VPGATHERDQ (V2 _mm_i32gather_epi64 _mm_mask_i32gather_epi64 VPGATHERQQ (V2 _mm_i64gather_epi64 _mm_mask_i64gather_epi64	VPGATHERDD (V2 _mm_i32gather_epi32 _mm_mask_i32gather_epi32 VPGATHERQD (V2 _mm_i64gather_epi32 _mm_mask_i64gather_epi32			VGATHERDPD (V2 _mm_i32gather_pd _mm_mask_i32gather_pd VGATHERQPD (V2 _mm_i64gather_pd _mm_mask_i64gather_pd	VGATHERDPS (V2 _mm_i32gather_ps _mm_mask_i32gather_ps VGATHERQPS (V2 _mm_i64gather_ps _mm_mask_i64gather_ps

変換

算術演算

比較

ビット単位の論理演算

ビットシフト

バイトシフト

文字列比較

その他

おまけ

小ネタ1　ゼロクリア

xor命令でできます。実数型でもできます。

例： XMM1の2個のQWORD（または4個のDWORD、8個のWORD、16個のBYTE）をすべて0にする

        pxor         xmm1, xmm1

例： XMM1の4個のfloatに0.0fを入れる

        xorps        xmm1, xmm1

例： XMM1の2個のdoubleに0.0を入れる

        xorpd        xmm1, xmm1

小ネタ2　ひとつの値をXMMレジスタ全体にコピーする

shuffle命令でできます。

例： XMM1の最下位32ビットに入っているfloat値をXMM1の他の３つの32bitにコピーする

        shufps       xmm1, xmm1, 0

例： XMM1の最下位16ビットに入っているWORD値をXMM1の他の7つの16bitにコピーする

        pshuflw       xmm1, xmm1, 0
        pshufd        xmm1, xmm1, 0

例： XMM1の下位64ビットに入っているQWORD値をXMM1の上位64bitにコピーする

         pshufd        xmm1, xmm1, 44h     ; 01 00 01 00 B = 44h

これはこっちのほうがいいですね。

         punpcklqdq    xmm1, xmm1

小ネタ3　整数の符号拡張、ゼロ拡張

unpack命令でできます。

例： XMM1の8個のWORD値をDWORDにゼロ拡張してXMM1（下位4個), XMM2（上位4個)に入れる

        movdqa     xmm2, xmm1     ; 元データ WORD[7] [6] [5] [4] [3] [2] [1] [0]
        pxor       xmm3, xmm3     ; 各WORDに付加する上位16ビット=all 0
        punpcklwd  xmm1, xmm3     ; 下位4個分 0 [3] 0 [2] 0 [1] 0 [0] 
        punpckhwd  xmm2, xmm3     ; 上位4個分 0 [7] 0 [6] 0 [5] 0 [4]

例: XMM1の16個のBYTE値をWORDに符号拡張してXMM1（下位8個）、XMM2（上位8個）に入れる

        pxor       xmm3, xmm3
        movdqa     xmm2, xmm1
        pcmpgtb    xmm3, xmm1     ; 各BYTEに付加する上位8ビット　正なら0、負なら-1
        punpcklbw  xmm1, xmm3     ; 下位8個分
        punpckhbw  xmm2, xmm3     ; 上位8個分

例（intrinsics）: __m128i 型変数words8に入っている8個のWORD値を符号拡張してdwords4lo（下位4個）、dwords4hi（上位4個)に入れる

    const __m128i izero = _mm_setzero_si128();
    __m128i words8hi = _mm_cmpgt_epi16(izero, words8);
    __m128i dwords4lo = _mm_unpacklo_epi16(words8, words8hi);
    __m128i dwords4hi = _mm_unpackhi_epi16(words8, words8hi);

小ネタ4　整数の絶対値

整数は2の補数なので、正または0ならば何もしない、負ならば全ビット反転後1を加える、ということをすると絶対値になります。

例： XMM1に入っている8個の符号付きWORD値の絶対値をXMM1に入れる

                                 ; 元データが正/0の場合; 元データが負の場合
       pxor      xmm2, xmm2      
       pcmpgtw   xmm2, xmm1      ; xmm2←0             ; xmm2←-1
       pxor      xmm1, xmm2      ; 0とxor(何もしない)  ; -1とxor(全ビット反転)
       psubw     xmm1, xmm2      ; 0を引く(何もしない) ; -1を引く(1を加える)

例（intrinsics）： __m128i 型変数dwords4に入っている4個の符号付きDWORD値の絶対値をdwords4に入れる

    const __m128i izero = _mm_setzero_si128();
    __m128i tmp = _mm_cmpgt_epi32(izero, dwords4);
    dwords4 = _mm_xor_si128(dwords4, tmp);
    dwords4 = _mm_sub_epi32(dwords4, tmp);

小ネタ5　実数の絶対値

実数は補数でないので符号（最上位ビット）だけクリアすれば絶対値になります。

例： XMM1に入っている4個の単精度実数の絶対値をXMM1に入れる

; データ
              align   16
signoffmask   dd      4 dup (7fffffffH)       ; 最上位ビットだけを落とすマスク
        
; コード
              andps   xmm1, xmmword ptr signoffmask        

例（intrinsics）： __m128 型変数floats4に入っている4個の単精度実数の絶対値をfloats4に入れる

　　　　const __m128 signmask = _mm_set1_ps(-0.0f); // 0x80000000

　　　　floats4 = _mm_andnot_ps(signmask, floats4);

小ネタ6　整数の乗算命令が足りない？

符号なし・符号つきで違いがあるのは上位だけです。下位は兼用できます。

符号なしWORD×WORD→上位側PMULHUW　下位側PMULLW

符号つきWORD×WORD→上位側PMULHW　下位側PMULLW

小ネタ7　MOVや論理演算で整数型と実数型があるのはなぜ？

MOV系の命令はビットパターンをそのままコピーするだけなのになぜ型ごとに別の命令があるのでしょうか？

違う動作をする？　いいえ。ソフトウェア的には同じ動作です。実数としては不正かもしれない任意のビットパターンをmovapsしても大丈夫です。単精度データが入っているXMMWORDをmovdqaでXMMレジスタにロードしてそのあと単精度演算しても大丈夫です。型の違う命令でmovしてもOKなことは仕様で明確に規定されています。

違いは外からは直接見えないCPUの中の動作です。正しい型の命令を使えばCPUの中で一貫性のある動作ができるので処理が速くなる可能性があります。型がわかっている場合はその型の命令を使うのがよいでしょう。

サブルーチンの入口・出口でXMMレジスタのセーブやリストアをするときなど、どの型のデータが中に入っているか知るすべがないような場合には、型の違う命令でmovしてもちゃんと動くということです。

ビット演算命令も同じです。

小ネタ8　max・min

比較命令でマスクを得てからビット演算するとできます。

例： XMM1とXMM2に入っている各4個のDWORD値どうしを符号付き比較して小さい方をXMM1に入れる

; A=xmm1  B=xmm2                    ; A>Bのとき     ; A<=Bのとき
        movdqa      xmm0, xmm1
        pcmpgtd     xmm1, xmm2      ; xmm1=-1       ; xmm1=0
        pand        xmm2, xmm1      ; xmm2=B        ; xmm2=0
        pandn       xmm1, xmm0      ; xmm1=0        ; xmm1=A
        por         xmm1, xmm2      ; xmm1=B        ; xmm1=A

例（intrinsics）： __m128i 型変数a, bに入っている各16個のバイト値どうしを符号付き比較して大きいほうをmaxABに入れる

    __m128i mask = _mm_cmpgt_epi8(a, b);
    __m128i selectedA = _mm_and_si128(mask, a);
    __m128i selectedB = _mm_andnot_si128(mask, b);
    __m128i maxAB = _mm_or_si128(selectedA, selectedB);

小ネタ9　128ビットAVX命令とSSE命令の違いは？

多くの命令でデスティネーションにソースとは別のレジスタが使えるのでmovが要らなくなるのは自明ですがほかにも違いがあります。

一般的にAVX128ビット命令ではデスティネーションレジスタの上位にある128ビットがゼロクリアされます（例：デスティネーションにXMM0を指定するとYMM0の上位128ビットが0になります）。SSE命令では上位をいじりません。

一般的にSSE命令では16バイト境界調整が必須ですがAVX命令では16バイト境界調整しなくても実行できます（movdqA等、明示的にアラインメントを要求する命令を除く）。が性能的には調整したほうがいいでしょう。

AVX256ビット命令とAVX128ビット命令とSSE128ビット命令を混在させると著しく性能低下する場合があるようです。AVX256ビット命令とAVX128ビット命令を使う場合はSSE128ビット命令の使用を避ける（AVX128ビット命令に書き換える）のがいいかもしれません。

小ネタ10　全ビットを立てる

PCMPEQx命令でできます。

例： XMM1の2個のQWORD（または4個のDWORD、8個のWORD、16個のBYTE）をすべて-1にする

        pcmpeqb         xmm1, xmm1

小ネタ11　整数を定数で割る

整数乗算＋いくつかの命令で高速に演算できます。

例： __m128i型変数dividendsの8個の符号なしWORDを7で割って商をquotientsに格納する

// unsigned WORD integer division by constant 7 (SSE2)
// __m128i dividends 8 unsigned WORDs
__m128i t = _mm_mulhi_epu16(_mm_set1_epi16(9363), dividends);
t = _mm_add_epi16(t, _mm_srli_epi16(_mm_sub_epi16(dividends, t), 1));
__m128i quotients = _mm_srli_epi16(t, 2);

除数に応じたマジックナンバーを掛ける必要があります。このアルゴリズムの詳細とマジックナンバーの計算方法はHenry S. Warren Jr.著「Hacker's Delight」という本に詳しく書いてあります。

その本を元ネタにしてSSE/AVX intrinsicsコードジェネレーターを作りました。