我试图利用新的AVX2收集指令来加速稀疏矩阵向量乘法。矩阵采用CSR（或Yale）格式，具有指向列索引数组的行指针，列索引数组反过来保存列。这样的mat-vec mul的C代码如下所示:

for (int row = 0; row < n_rows - 1; row++) {
    double rowsum = 0;
    for (int col = row_ptr[row]; col < row_ptr[row + 1]; col++) {
        rowsum += values[col] * x[col_indices[col]];
    }
    result[row] = rowsum;
}

现在，我的目标是用AVX2 intrinsics来加速这一点。以下代码适用于最新的Intel或GCC，基于https://blog.fox-toolkit.org/?p=174。我删除了这里的剩余部分，因为我的行都在4个双列（列%4==0)上对齐（幸运的我）。如果有人感兴趣的话，我也有处理余数的代码，但重点是，代码实际上稍微慢一点。我检查了反汇编，对于上面的版本，只有FP指令被生成，对于我的AVX2代码，所有的AVX2操作出现在预期中。即使有适合缓存的小矩阵，AVX2版本也不是很好。我很困惑。。。

double* value_base = &values[0];
double* x_base = &x[0];
int*    index_base = &col_indices[0];


for (int row = 0; row < n_rows - 1; row++) {
    int col_length   = row_ptr[row + 1] - row_ptr[row];

    __m256d rowsum = _mm256_set1_pd(0.);
    for (int col4 = 0; col4 < col_length; col4 += 4) {
        // Load indices for x vector(const __m128i*)
        __m128i idxreg     = _mm_load_si128((const __m128i*)index_base);
        // Load 4 doubles from x indexed by idxreg (AVX2)
        __m256d x_     = _mm256_i32gather_pd(x_base, idxreg, 8);
        // Load 4 doubles linear from memory (value array)
        __m256d v_     = _mm256_load_pd(value_base);
        // FMA: rowsum += x_ * v_
        rowsum = _mm256_fmadd_pd(x_, v_, rowsum);

        index_base += 4;
        value_base += 4;
    }
    __m256d s = _mm256_hadd_pd(rowsum, rowsum);
    result[row] = ((double*)&s)[0] + ((double*)&s)[2];
    // Alternative (not faster):
    // Now we split the upper and lower AVX register, and do a number of horizontal adds
    //__m256d hsum = _mm256_add_pd(rowsum, _mm256_permute2f128_pd(rowsum, rowsum, 0x1));
    //_mm_store_sd(&result[row], _mm_hadd_pd( _mm256_castpd256_pd128(hsum), _mm256_castpd256_pd128(hsum) ) );
}

欢迎提出任何建议。

多谢，克里斯