AVX2 256-bit math in action!

vectorize.cc

// compile with -O3 -march=core-avx2

void
foo(
  int const* __restrict__ x,
  int const* __restrict__ y,
  int* __restrict__ z)
{
  for (int i = 0; i < 65536; ++i) 
    z[i] = x[i] * 2 + y[i];
}

vectorize.s

	.section	__TEXT,__text,regular,pure_instructions
	.macosx_version_min 10, 11
	.globl	__Z3fooPKiS0_Pi
	.align	4, 0x90
__Z3fooPKiS0_Pi:                        ## @_Z3fooPKiS0_Pi
	.cfi_startproc
## BB#0:                                ## %overflow.checked
	pushq	%rbp
Ltmp0:
	.cfi_def_cfa_offset 16
Ltmp1:
	.cfi_offset %rbp, -16
	movq	%rsp, %rbp
Ltmp2:
	.cfi_def_cfa_register %rbp
	xorl	%eax, %eax
	.align	4, 0x90
LBB0_1:                                 ## %vector.body
                                        ## =>This Inner Loop Header: Depth=1
	vmovdqu	(%rdi,%rax,4), %ymm0
	vmovdqu	32(%rdi,%rax,4), %ymm1
	vmovdqu	64(%rdi,%rax,4), %ymm2
	vmovdqu	96(%rdi,%rax,4), %ymm3
	vpaddd	%ymm0, %ymm0, %ymm0
	vpaddd	%ymm1, %ymm1, %ymm1
	vpaddd	%ymm2, %ymm2, %ymm2
	vpaddd	%ymm3, %ymm3, %ymm3
	vpaddd	(%rsi,%rax,4), %ymm0, %ymm0
	vpaddd	32(%rsi,%rax,4), %ymm1, %ymm1
	vpaddd	64(%rsi,%rax,4), %ymm2, %ymm2
	vpaddd	96(%rsi,%rax,4), %ymm3, %ymm3
	vmovdqu	%ymm0, (%rdx,%rax,4)
	vmovdqu	%ymm1, 32(%rdx,%rax,4)
	vmovdqu	%ymm2, 64(%rdx,%rax,4)
	vmovdqu	%ymm3, 96(%rdx,%rax,4)
	addq	$32, %rax
	cmpq	$65536, %rax            ## imm = 0x10000
	jne	LBB0_1
## BB#2:                                ## %middle.block
	popq	%rbp
	vzeroupper
	retq
	.cfi_endproc


.subsections_via_symbols