Смесь SSE и AVX

В дополнение к SSE-copy, AVX-copy и std :: copy производительность. Предположим, что нам нужно векторизовать некоторый цикл следующим образом: 1) векторизовать первый цикл цикла (который кратен 8) через AVX. 2) разделить остаток цикла на две партии. Векторизовать партию, кратную 4, через SSE. 3) Обработка остаточной партии всего цикла с помощью последовательной процедуры. Рассмотрим пример копирования массивов:

#include <immintrin.h>

template<int length,
int unroll_bound_avx = length & (~7),
int unroll_tail_avx  = length - unroll_bound_avx,
int unroll_bound_sse = unroll_tail_avx & (~3),
int unroll_tail_last = unroll_tail_avx - unroll_bound_sse>
void simd_copy(float *src, float *dest)
{
auto src_  = src;
auto dest_ = dest;

//Vectorize first part of loop via AVX
for(; src_!=src+unroll_bound_avx; src_+=8, dest_+=8)
{
__m256 buffer = _mm256_load_ps(src_);
_mm256_store_ps(dest_, buffer);
}

//Vectorize remainder part of loop via SSE
for(; src_!=src+unroll_bound_sse+unroll_bound_avx; src_+=4, dest_+=4)
{
__m128 buffer = _mm_load_ps(src_);
_mm_store_ps(dest_, buffer);
}

//Process residual elements
for(; src_!=src+length; ++src_, ++dest_)
*dest_ = *src_;
}

int main()
{
const int sz = 15;
float *src = (float *)_mm_malloc(sz*sizeof(float), 16);
float *dest = (float *)_mm_malloc(sz*sizeof(float), 16);
float a=0;
std::generate(src, src+sz, [&](){return ++a;});

simd_copy<sz>(src, dest);

_mm_free(src);
_mm_free(dest);
}

Правильно ли использовать SSE и AVX? Нужно ли избегать переходов AVX-SSE?