C++ SIMD编程核心是使用Intel intrinsic函数，需关注数据对齐、寄存器宽度与编译器优化；从128位SSE（4×float/2×double）起步，再升级至256位AVX（8×float）及AVX2/AVX-512，注意内存对齐、指令混用和编译选项控制。
用C++做SIMD编程，核心是调用Intel提供的intrinsic函数——它们是编译器内建的、可直接映射到CPU向量指令（如SSE、AVX）的C++函数，比手写汇编友好，又比纯标量代码快得多。关键不是“会不会写”，而是理解数据布局、指令对齐、寄存器宽度和编译器行为。
从SSE开始：128位向量最稳当
SSE（Streaming SIMD Extensions）支持4个float或2个double同时运算，兼容性最好（奔腾4起就支持）。先确保头文件和数据对齐：
- #include <immintrin.h> —— 统一包含所有x86 intrinsic
- 输入数组必须16字节对齐（_mm_malloc(16 * n, 16) 或 alignas(16) float a[4]）
- 加载：用 _mm_load_ps(ptr)（要求ptr地址%16==0），不满足用 _mm_loadu_ps（慢一点但安全）
- 计算：比如 __m128 a = _mm_load_ps(x); __m128 b = _mm_load_ps(y); __m128 c = _mm_add_ps(a, b);
- 存回：_mm_store_ps(out, c)（对齐）或 _mm_storeu_ps（非对齐）
升级到AVX：256位宽，一算就是8个float
AVX（2011年Core i7起）把向量宽度翻倍，指令名多带一个v（如_mm256_add_ps），需32字节对齐：
- 分配内存：float* p = (float*)_mm_malloc(32 * n, 32);
- 加载8个float：__m256 a = _mm256_load_ps(p);
- 注意：AVX指令会清零高位（YMM寄存器高128位），混用SSE指令前建议加_mm256_zeroupper()防性能损失
- AVX2支持整数运算（如_mm256_add_epi32），AVX-512则支持512位和掩码操作（需新CPU和编译器支持）
别让编译器“帮你优化”掉你的SIMD
写了intrinsics，结果性能没提升？很可能是编译器做了冲突优化或没开对选项：
立即学习“C++免费学习笔记（深入）”；
- 关掉自动向量化：-xnone（ICC）或 -fno-tree-vectorize（GCC/Clang），避免和你的手动代码打架
- 指定目标指令集：-xSSE4.2 / -xCORE-AVX2（ICC），或 -mssse3 / -mavx2（GCC/Clang）
- 检查生成汇编：icc -S -qopt-report=5 或 gcc -O3 -mavx2 -S -fopt-info-vec，确认你的_mm256_add_ps真转成了vaddps
- 避免在循环内频繁malloc/free——向量内存分配开销大，应复用缓冲区
实战小技巧：处理边界和混合类型
真实数据长度往往不是向量宽度的整数倍，也不能总用float：
- 边界处理：先主循环（按8个float步进），再用_mm256_maskload_ps或标量补足余数
- 双精度：用_mm256_load_pd / _mm256_add_pd，一次4个double
- 整数运算：AVX2提供_mm256_load_si256 + _mm256_add_epi32，适合图像像素处理、索引计算
- 混洗与广播：_mm256_shuffle_ps重排分量，_mm256_broadcast_ss(&x)把单个float复制成8份，常用于乘法缩放
基本上就这些。SIMD不是银弹，但对数值密集型任务（滤波、矩阵乘、物理模拟）提速明显。动手前先用-march=native测baseline，再逐段替换、对比汇编，比盲目堆intrinsics靠谱得多。
