有一条指令vpmovdb（https://www.felixcloutier.com/x86/vpmovdb:vpmovsdb:vpmovusdb），但不幸的是，Intel CPU将其作为2个微指令运行，都是针对端口5的。https://uops.info/和https://agner.org/optimize/）。C内部函数

VPMOVDB __m128i _mm512_cvtepi32_epi8( __m512i a);
VPMOVDB __m128i _mm512_mask_cvtepi32_epi8(__m128i s, __mmask16 k, __m512i a);
VPMOVDB __m128i _mm512_maskz_cvtepi32_epi8( __mmask16 k, __m512i a);
VPMOVDB void _mm512_mask_cvtepi32_storeu_epi8(void * d, __mmask16 k, __m512i a);

有趣的事实：它允许内存 * 目的地 *，并且只需要AVX 512 F，而不是AVX 512 BW，所以这就是KNL至强融核可以进行字节粒度掩码存储的方式。有符号和无符号饱和形式，但您需要截断形式。
截断和跨道填充都是AVX-512中的新技术;在AVX 2中，通常必须使用2x vpackssdw来馈送vpackuswb和vpermq修复，还需要在打包之前屏蔽32位数据，使其位于0..255无符号范围内，这将为每个 input 向量额外消耗vpand。

• How do I efficiently reorder bytes of a __m256i vector (convert int32_t to uint8_t)?
• How to convert 32-bit float to 8-bit signed char? (4:1 packing of int32 to int8 __m256i)

带有多个向量

如果您有多个数据矢量，使用AVX-512 VBMI（Ice Lake / Zen 4）vpermt2b从两个矢量中获取字节可能是值得的。在支持它的Intel CPU上，这将运行3个uop（2 p5 + p015），因此每个256位矢量2个周期，而不是每个128位矢量2个周期。
它在Zen 4上是1 uop，和vpmovdb一样，所以vpermt2b是理想的，每个时钟允许一个256位存储，速度是Intel的两倍，前端uop更少。
vpack...通道内压缩指令是Intel上的单个uop，它将2个寄存器以2：1的比例压缩为一个相同宽度的寄存器。如果在末尾执行vpermt2d混洗，它可能会领先于多个向量。
因此，给定4个ZMM寄存器，4x vpmovdb在英特尔上将占用8个吞吐周期。4x vpand + 2x vpackssdw + 1x vpackuswb + vpermq将在Skylake/Cascade Lake或更高版本上每4个时钟周期生成一个准备存储的ZMM。
（vpermt2w在Skylake-avx 512上可用，因此可以代替vpackuswb + vpermq使用，但不幸的是，在那里和更高版本的英特尔上，vpermt2w是3 uops。）
AVX 2指令的另一个想法：* how to convert uint32 to uint8 using simd but not avx512? * -vpshufb（_mm256_shuffle_epi8）用于压缩和清零，以更宽的粒度设置2输入混洗，但每个输入向量需要一个port 5微操作。
Intel的C/C++ intrinsic指南（https://www.intel.com/content/www/us/en/docs/intrinsics-guide/index.html）有一个对asm助记符起作用的搜索;它们更短，更便于打字和谈论。