如果dim是8的倍数，则下面的命令应该起作用（要处理余数，请在末尾添加一个琐碎的循环）。较小的API更改：

• 使用long代替unsigned int作为循环索引（这有助于clang展开循环）
• 假设bitvector是低端的（如注释中所建议）

在循环内部，bitVector是按字节访问的。可能值得将movemask的2或4个结果同时进行位或一次组合（可能取决于目标体系结构）。

要计算sum，请直接从cmp_ps操作的结果中计算出8个部分和。由于仍然需要位掩码，因此可能值得使用popcnt（理想情况下，将2、4或8个字节组合在一起-再次，这可能取决于您的目标体系结构）。

int process_bit_vector(uint32_t *bitVector32,float *value,const float threshold_float,const long dim) {
  __m256i sum = _mm256_setzero_si256();
  __m256 threshold_vector = _mm256_set1_ps(threshold_float);
  uint8_t *bitVector8 = (uint8_t *)bitVector32;

  for (long i = 0; i <= dim-8; i += 8) {
    // compare next 8 values with threshold
    // (use threshold as first operand to allow loading other operand from memory)
    __m256 cmp_mask = _mm256_cmp_ps(threshold_vector,_mm256_loadu_ps(value + i),_CMP_GE_OQ);
    // true values are `-1` when interpreted as integers,subtract those from `sum`
    sum = _mm256_sub_epi32(sum,_mm256_castps_si256(cmp_mask));
    // extract bitmask
    int mask = _mm256_movemask_ps(cmp_mask);
    // bitwise-or current mask with result bit-vector
    *bitVector8++ |= mask;
  }

  // reduce 8 partial sums to a single sum and return
  __m128i sum_reduced = _mm_add_epi32(_mm256_castsi256_si128(sum),_mm256_extracti128_si256(sum,1));
  sum_reduced = _mm_add_epi32(sum_reduced,_mm_srli_si128(sum_reduced,8));
  sum_reduced = _mm_add_epi32(sum_reduced,4));

  return _mm_cvtsi128_si32(sum_reduced);
}

Godbolt-Link：https://godbolt.org/z/ABwDPe

• 出于某些原因，GCC进行了vpsubd ymm2,ymm0,ymm1; vmovdqa ymm0,ymm2;而不只是vpsubd ymm0,ymm1。
• Clang无法将load与vcmpps结合在一起（并且使用LE而不是GE比较）-如果您不关心如何处理NaN ，则可以使用_CMP_NLT_US代替_CMP_GE_OQ。

具有大端输出的修订版（未经测试）：

int process_bit_vector(uint32_t *bitVector32,const long dim) {
  int sum = 0;
  __m256 threshold_vector = _mm256_set1_ps(threshold_float);

  for (long i = 0; i <= dim-32; i += 32) {
    // compare next 4x8 values with threshold
    // (use threshold as first operand to allow loading other operand from memory)
    __m256i cmp_maskA = _mm256_castps_si256(_mm256_cmp_ps(threshold_vector,_mm256_loadu_ps(value + i+ 0),_CMP_GE_OQ));
    __m256i cmp_maskB = _mm256_castps_si256(_mm256_cmp_ps(threshold_vector,_mm256_loadu_ps(value + i+ 8),_CMP_GE_OQ));
    __m256i cmp_maskC = _mm256_castps_si256(_mm256_cmp_ps(threshold_vector,_mm256_loadu_ps(value + i+16),_CMP_GE_OQ));
    __m256i cmp_maskD = _mm256_castps_si256(_mm256_cmp_ps(threshold_vector,_mm256_loadu_ps(value + i+24),_CMP_GE_OQ));

    __m256i cmp_mask = _mm256_packs_epi16(
        _mm256_packs_epi16(cmp_maskA,cmp_maskB),// b7b7b6b6'b5b5b4b4'a7a7a6a6'a5a5a4a4 b3b3b2b2'b1b1b0b0'a3a3a2a2'a1a1a0a0
        _mm256_packs_epi16(cmp_maskC,cmp_maskD)  // d7d7d6d6'd5d5d4d4'c7c7c6c6'c5c5c4c4 d3d3d2d2'd1d1d0d0'c3c3c2c2'c1c1c0c0
    );                                // cmp_mask = d7d6d5d4'c7c6c5c4'b7b6b5b4'a7a6a5a4 d3d2d1d0'c3c2c1c0'b3b2b1b0'a3a2a1a0

    cmp_mask = _mm256_permute4x64_epi64(cmp_mask,0x8d);
                // cmp_mask = [b7b6b5b4'a7a6a5a4 b3b2b1b0'a3a2a1a0  d7d6d5d4'c7c6c5c4 d3d2d1d0'c3c2c1c0]
    __m256i shuff_idx = _mm256_broadcastsi128_si256(_mm_set_epi64x(0x00010203'08090a0b,0x04050607'0c0d0e0f));
    cmp_mask = _mm256_shuffle_epi8(cmp_mask,shuff_idx);

    // extract bitmask
    uint32_t mask = _mm256_movemask_epi8(cmp_mask);
    sum += _mm_popcnt_u32 (mask);
    // bitwise-or current mask with result bit-vector
    *bitVector32++ |= mask;
  }

  return sum;
}

这个想法是在应用vpmovmskb之前先对字节进行洗牌。这需要32个输入值进行5次混洗操作（包括3个vpacksswb），但是总和的计算是使用popcnt而不是4个vpsubd。可以通过在比较之前将128位半部分策略性地加载到256位向量中来避免vpermq（_mm256_permute4x64_epi64）。另一个想法（因为无论如何都需要重组最终结果）是将部分结果混合在一起（在我检查过的体系结构上往往需要p5或2*p015，所以可能不值得）。>