所以你的源数据是连续的？你应该使用_mm_load_si128，而不是乱用向量类型的标量分量。

真实的的问题是将一个bool数组（x86上g++使用的ABI中每个元素1个字节）打包成位图。您应该使用SIMD来执行 * 此操作，而不是使用标量代码来一次设置1位或字节。
pmovmskb（_mm_movemask_epi8）非常适合提取输入的每个字节的一位。你只需要把你想要的比特安排到高比特。
显而易见的选择是移位，但是向量移位指令与Haswell上的pmovmskb竞争相同的执行端口（端口0）。（http://agner.org/optimize/）。相反，添加0x7F将为1的输入产生0x80（高位设置），但为0的输入产生0x7F（高位清除）。（x86-64 System V ABI中的bool必须以整数0或1的形式存储在内存中，而不是简单的0与任何非零值）。
为什么不使用pcmpeqb来对抗_mm_set1_epi8(1)？Skylake在端口0/1上运行pcmpeqb，但在所有3个向量ALU端口（0/1/5）上运行paddb。但是，在pcmpeqb/w/d/q的结果上使用pmovmskb是非常常见的。

#include <immintrin.h>
#include <stdint.h>

// n is the number of uint16_t dst elements
// We access n*16 bool elements from src.
void pack_bools(uint16_t *dst, const bool *src, size_t n)
{
     // you can later access dst with __m128i loads/stores

    __m128i carry_to_highbit = _mm_set1_epi8(0x7F);
    for (size_t i = 0 ; i < n ; i+=1) {
        __m128i boolvec = _mm_loadu_si128( (__m128i*)&src[i*16] );
        __m128i highbits = _mm_add_epi8(boolvec, carry_to_highbit);
        dst[i] = _mm_movemask_epi8(highbits);
    }
}

由于我们希望在写入此位图时使用标量存储，因此出于严格的别名原因，我们希望dst位于uint16_t中。对于AVX 2，您需要uint32_t。（或者，如果您使用combine = tmp1 << 16 | tmp来合并两个pmovmskb结果。但可能不要这样做）。
为了处理严格的锯齿问题，如果你想以后用不同的C类型访问你的掩码位图，你可以使用memcpy来存储，如another Q&A所示。
这将编译成一个asm循环，如下图所示（使用gcc7.3 -O3，在Godbolt编译器浏览器上）

.L3:
    movdqu  xmm0, XMMWORD PTR [rsi]
    add     rsi, 16
    add     rdi, 2
    paddb   xmm0, xmm1
    pmovmskb        eax, xmm0
    mov     WORD PTR [rdi-2], ax
    cmp     rdx, rsi
    jne     .L3

因此，这并不美妙（7个熔丝域uop->前端瓶颈，每1.75个时钟周期16个布尔值）。Clang展开2，并且每1.5个周期应管理16个布尔。
使用移位（pslld xmm0, 7）只能在Haswell上每2个周期运行一次迭代，在端口0上遇到瓶颈。这在Skylake和以后不是问题;移位可以在更多端口上运行**，因此_mm_slli_epi32(v, 7)在那里是好的**，并且避免了需要向量常量。另请参见提取__m128i中每个布尔字节的低位？bool数组到压缩位图

创建一个匿名联合，其中包含一个_m128i成员和一个要设置其成员的其他类型的数组。类型双关在C中是法律的的，并且在g++，clang++和MSVC中作为扩展支持。如果要设置单个位，可以将另一个成员声明为struct位字段。位字段的顺序是由实现定义的，但您使用的是Intel内部的，因此它将是little-endian。