一段C ++代码确定零的出现，并为每个检查的数字保留二进制标志变量。每次在1维数组中遇到零时，标志的值在0和1之间切换。
我试图使用SSE来加快速度，但我不确定如何解决这个问题。我读过，评估__m128i的各个字段是低效的。
C ++中的代码是：
int flag = 0;
int var_num2[1000];
for(int i = 0; i<1000; i++)
{
if (var[i] == 0)
{
var_num2[i] = flag;
flag = !flag; //toggle value upon encountering a 0
}
}
我应该如何使用SSE内在函数来解决这个问题？
你必须认识到这个问题，但这是一个众所周知的问题的变种。我先给出一个理论描述
如果not_var[]包含1和var，则引入包含0的临时数组0。介绍一个临时阵列not_var_sum[]，其中包含partial sum的not_var。 var_num2现在是not_var_sum[]的LSB
第一和第三操作可以平行地并行化。并行化部分和是only a bit harder。
在实际实现中，您不会构造not_var[]，并且您将在步骤2的所有迭代中将LSB直接写入var_num2。这是有效的，因为您可以丢弃较高位。仅保留LSB相当于取模2和(a+b)%2 == ((a%2) + (b%2))%s的结果。
var[]的元素是什么类型的？ int？还是char？零是频繁的吗？
SIMD prefix sum aka partial是可能的（with log2(vector_width) work per element，例如2个shuffles和4个float的向量的2个添加），但基于结果的条件存储是另一个主要问题。 （您的1000个元素数组可能太小，无法使多线程获利。）
整数前缀和更容易有效地执行，并且整数操作的较低延迟有助于。 NOT只是在没有进位的情况下添加，即XOR，所以使用_mm_xor_si128而不是_mm_add_ps。 （你将在_mm_cmpeq_epi32（或epi8等等）的整数全零/全1比较结果向量上使用它，具体取决于var[]的元素大小。你没有指定，但不同的策略选择可能是最优的适用于不同尺寸）。
但是，仅仅拥有一个SIMD前缀总和实际上几乎没有帮助：你仍然需要循环并找出存储位置和未修改的位置。
我认为你最好的办法是生成一个你需要存储的索引列表，然后
for (size_t j = 0 ; j < scatter_count ; j+=2) {
var_num2[ scatter_element[j+0] ] = 0;
var_num2[ scatter_element[j+1] ] = 1;
}
如果索引是预先生成的，您可以生成整个列表，或者您可以小批量工作以将搜索工作与商店工作重叠。
通过在展开的循环中交替存储0和1来处理问题的前缀和部分。真正的诀窍是避免分支错误预测，并有效地生成指数。
为了生成scatter_element[]，你已经根据相应的left-packing将问题转换为_mm_cmpeq_epi32( var[i..i+3], _mm_setzero_epi32() )（过滤）一个（隐式）索引数组。要生成您正在过滤的索引，请从[0,1,2,3]的向量开始并向其添加[4,4,4,4]（_mm_add_epi32）。我假设var[]的元素大小是32位。如果您有较小的元素，则需要拆包。
顺便说一句，AVX512有散点指令，你可以在这里使用，否则用标量代码做商店部分是你最好的选择。 （但是在没有加载的情况下存放时要小心Unexpectedly poor and weirdly bimodal performance for store loop on Intel Skylake。）
要将左包装与存储重叠，我想你想要左包装，直到你在缓冲区中有64个索引。然后离开该循环并运行另一个循环，左包装索引并使用索引，仅在循环缓冲区已满（然后只是存储）或空（然后只是左包装）时停止。这使您可以将矢量比较/查找表工作与分散存储工作重叠，但不会有太多不可预测的分支。
如果零是非常频繁的，并且var_num2[]元素是32或64位，并且您有AVX或AVX2可用，您可以考虑使用标准前缀和并使用AVX蒙版存储。例如vpmaskmovd。不要使用SSE maskmovdqu：它有一个NT提示，因此它绕过并从缓存中驱逐数据，并且速度很慢。
此外，因为您的前缀sum是mod 2，即boolean，您可以使用基于打包比较结果掩码的查找表。使用比特的4位movmskps结果和初始状态的第5位作为32个向量的查找表的索引（假设var[]为32位元素大小），而不是带有shuffle的水平ops。