AMD CPU通过解码为两个128b操作来处理256b AVX指令。例如 vaddps ymm0, ymm1,ymm1 AMD的Steamroller解码为2个宏操作，吞吐量的一半 vaddps xmm0, xmm1,xmm1。
异或归零是一种特殊情况（没有输入依赖，并且 在Jaguar上至少避免使用物理寄存器文件条目，并且使得来自该寄存器的movdqa能够在发出/重命名时被消除，就像Bulldozer一直在为非零的regs做的那样。 但它是否足够早被发现 vxorps ymm0,ymm0,ymm0 仍然只解码为1个宏操作，具有相同的性能 vxorps xmm0,xmm0,xmm0？ （不像 vxorps ymm3, ymm2,ymm1）
或者，在已经解码为两个uops之后，独立检测是否会发生？此外，AMD CPU上的向量xor-zeroing是否仍然使用执行端口？在Intel-CPU上，Nehalem需要一个端口，但Sandybridge系列在发布/重命名阶段处理它。
Agner Fog的指令表没有列出这个特例，他的微指南没有提到uop的数量。
这可能意味着 vxorps xmm0,xmm0,xmm0 是一种更好的实施方式 _mm256_setzero_ps()。
对于AVX512， _mm512_setzero_ps() 如果可能的话，也只使用VEX编码的归零惯用语而不是EVEX来保存字节。 （即zmm0-15。 vxorps xmm31,xmm31,xmm31 仍然需要EVEX）。 gcc / clang目前使用他们想要的任何寄存器宽度的xor-zeroing习语，而不是总是使用AVX-128。
报道为铿锵 错误32862 和gcc bug 80636。 MSVC已经使用了 xmm。尚未向ICC报告，ICC也使用zmm regs进行AVX512归零。 （虽然英特尔可能不会改变，因为目前任何英特尔CPU都没有任何优势，只有AMD。如果他们发布的低功耗CPU将矢量分成两半，他们可能。他们目前的低功耗设计（Silvermont）没有t支持AVX，只支持SSE4。）
我知道使用AVX-128指令清零256b寄存器唯一可能的缺点是它不会触发Intel CPU上256b执行单元的预热。可能会破坏试图加热它们的C或C ++黑客攻击。
（在第一个256b指令之后的第一个~56k周期内，256b向量指令较慢。请参阅Agner Fog微格式pdf中的Skylake部分）。如果打电话给你可能会好的 noinline 返回的功能 _mm256_setzero_ps 对于预热执行单元不是一种可靠的方法。 （一个仍然可以在没有AVX2的情况下工作，并且避免任何负载（可以缓存未命中）） __m128 onebits = _mm_castsi128_ps(_mm_set1_epi8(0xff));
return _mm256_insertf128_ps(_mm256_castps128_ps256(onebits), onebits) 应编译为 pcmpeqd xmm0,xmm0,xmm0 / vinsertf128 ymm0,xmm0,1。对于一些在紧急循环之前将执行单元预热（或保持温暖）的事情，这仍然是微不足道的。如果你想要内联的东西，你可能需要inline-asm。）
我没有AMD硬件所以我无法测试这个。
如果有人有AMD硬件但不知道如何测试，请使用perf计数器来计算周期（最好是m-ops或uops或AMD称之为的任何东西）。
这是我用来测试短序列的NASM / YASM源：
section .text
global _start
_start:
mov ecx, 250000000
align 32 ; shouldn't matter, but just in case
.loop:
dec ecx ; prevent macro-fusion by separating this from jnz, to avoid differences on CPUs that can't macro-fuse
%rep 6
; vxorps xmm1, xmm1, xmm1
vxorps ymm1, ymm1, ymm1
%endrep
jnz .loop
xor edi,edi
mov eax,231 ; exit_group(0) on x86-64 Linux
syscall
如果你不在Linux上，可能用循环替换循环后的东西（退出系统调用） ret，并从C调用该函数 main() 功能。
与...组装 nasm -felf64 vxor-zero.asm && ld -o vxor-zero vxor-zero.o 制作一个静态二进制文件（或使用 该 asm-link 脚本我发布了关于使用/不使用libc组装静态/动态二进制文件的问答）。
i7-6700k（Intel Skylake）的输出示例，频率为3.9GHz。 （IDK为什么我的机器在闲置几分钟后才升至3.9GHz。启动后立即升级到4.2或4.4GHz正常工作）。由于我正在使用性能计数器，因此机器运行的时钟速度实际上并不重要。不涉及加载/存储或代码缓存未命中，因此无论它们有多长，所有内核的核心时钟周期数都是恒定的。
$ alias disas='objdump -drwC -Mintel'
$ b=vxor-zero; asm-link "$b.asm" && disas "$b" && ocperf.py stat -etask-clock,cycles,instructions,branches,uops_issued.any,uops_retired.retire_slots,uops_executed.thread -r4 "./$b"
+ yasm -felf64 -Worphan-labels -gdwarf2 vxor-zero.asm
+ ld -o vxor-zero vxor-zero.o
vxor-zero: file format elf64-x86-64
Disassembly of section .text:
0000000000400080 <_start>:
400080: b9 80 b2 e6 0e mov ecx,0xee6b280
400085: 66 66 66 66 66 66 2e 0f 1f 84 00 00 00 00 00 data16 data16 data16 data16 data16 nop WORD PTR cs:[rax+rax*1+0x0]
400094: 66 66 66 2e 0f 1f 84 00 00 00 00 00 data16 data16 nop WORD PTR cs:[rax+rax*1+0x0]
00000000004000a0 <_start.loop>:
4000a0: ff c9 dec ecx
4000a2: c5 f4 57 c9 vxorps ymm1,ymm1,ymm1
4000a6: c5 f4 57 c9 vxorps ymm1,ymm1,ymm1
4000aa: c5 f4 57 c9 vxorps ymm1,ymm1,ymm1
4000ae: c5 f4 57 c9 vxorps ymm1,ymm1,ymm1
4000b2: c5 f4 57 c9 vxorps ymm1,ymm1,ymm1
4000b6: c5 f4 57 c9 vxorps ymm1,ymm1,ymm1
4000ba: 75 e4 jne 4000a0 <_start.loop>
4000bc: 31 ff xor edi,edi
4000be: b8 e7 00 00 00 mov eax,0xe7
4000c3: 0f 05 syscall
(ocperf.py is a wrapper with symbolic names for CPU-specific events. It prints the perf command it actually ran):
perf stat -etask-clock,cycles,instructions,branches,cpu/event=0xe,umask=0x1,name=uops_issued_any/,cpu/event=0xc2,umask=0x2,name=uops_retired_retire_slots/,cpu/event=0xb1,umask=0x1,name=uops_executed_thread/ -r4 ./vxor-zero
Performance counter stats for './vxor-zero' (4 runs):
128.379226 task-clock:u (msec) # 0.999 CPUs utilized ( +- 0.07% )
500,072,741 cycles:u # 3.895 GHz ( +- 0.01% )
2,000,000,046 instructions:u # 4.00 insn per cycle ( +- 0.00% )
250,000,040 branches:u # 1947.356 M/sec ( +- 0.00% )
2,000,012,004 uops_issued_any:u # 15578.938 M/sec ( +- 0.00% )
2,000,008,576 uops_retired_retire_slots:u # 15578.911 M/sec ( +- 0.00% )
500,009,692 uops_executed_thread:u # 3894.787 M/sec ( +- 0.00% )
0.128516502 seconds time elapsed ( +- 0.09% )
+ - 0.02％的东西是因为我跑了 perf stat -r4，所以它运行我的二进制4次。
uops_issued_any 和 uops_retired_retire_slots 是融合域（Skylake和Bulldozer系列的每个时钟的前端吞吐量限制为4）。计数几乎相同，因为没有分支错误预测（导致推测性发布的uop被丢弃而不是退休）。
uops_executed_thread 是unfused-domain uops（执行端口）。 xor-zeroing在Intel CPU上不需要任何，所以它只是实际执行的dec和branch uops。 （如果我们将操作数更改为vxorps，那么它不仅仅是将寄存器归零，例如 vxorps ymm2, ymm1,ymm0 要将输出写入下一个未读取的寄存器，执行的uops将与融合域uop计数匹配。我们会看到吞吐量限制是每个时钟三个vxorps。）
在500M时钟周期内发布的2000M融合域uop每时钟发出4.0 uop：实现理论上的最大前端吞吐量。 6 * 250是1500，因此这些计数与Skylake解码相匹配 vxorps ymm,ymm,ymm 1个融合域uop。
在循环中使用不同数量的uops，事情并不是那么好。例如一个5 uop循环，每个时钟仅发出3.75微秒。我故意选择它为8 uops（当vxorps解码为单uop时）。
Zen的问题宽度是每循环6个uop，因此在不同的展开量下它可能会做得更好。 （看到 这个问答 有关更多关于uop计数不是问题宽度倍数的短循环的信息，请参阅Intel SnB-family uarches）。