使用 _mm_add_ps 前须启用 -march=native 或 -msse2，否则仍生成标量代码；内存需16字节对齐，用 _mm_loadu_ps 处理未对齐数据；avx 广播优选 _mm256_broadcast_ss；避免滥用 fence 指令。
用 _mm_add_ps 做向量加法前，先确认编译器开了 -march=native 或 -msse2
不加这些 flag，_mm_add_ps 这类 intrinsic 函数虽然能编译通过，但生成的代码大概率还是标量循环——编译器不会自动把普通 float 数组运算“升级”成 SSE，它只负责按你写的 intrinsic 发指令。开 -march=native 最省心，让编译器知道目标 CPU 支持哪些扩展；若需跨平台分发，至少得明确指定 -msse2（SSE2 是 x86-64 硬性要求）或 -mavx。
常见错误现象：clang++ 编译时没报错，但运行时在老 CPU 上直接 SIGILL；或者性能没提升，perf 显示 uops_issued.any 和标量版本几乎一样。
- Windows MSVC 用
/arch:AVX2替代-mavx2，且必须配合/EHsc（否则某些 intrinsics 头文件可能报错） - 头文件只需
#include <immintrin.h></immintrin.h>，不用按 SSE/AVX 拆开包含 - AVX 版本（如
_mm256_add_ps）对内存地址有 32 字节对齐要求，未对齐读写会触发异常或降级为慢路径
数组循环里混用 _mm_load_ps 和 _mm_store_ps，必须保证 16 字节对齐
SSE 的 _mm_load_ps 要求地址是 16 字节对齐的，否则在某些 CPU 上触发 #GP 异常（尤其 Windows + MSVC 默认栈不对齐）。别指望编译器自动帮你对齐局部数组——float a[4] 几乎肯定不对齐。
使用场景：处理图像像素、物理仿真中的矢量场、批量数学函数计算。
立即学习“C++免费学习笔记（深入）”；
- 动态分配：用
aligned_alloc(16, N * sizeof(float))（C11）或_mm_malloc(N * sizeof(float), 16)（Intel 提供，需配对_mm_free） - 栈上变量：GCC/Clang 支持
float a[4] __attribute__((aligned(16)))；MSVC 用__declspec(align(16)) float a[4] - 如果数据来源不可控（比如用户传入的
float*），改用_mm_loadu_ps（u = unaligned），但性能略低，且不能用于 AVX2 的 32 字节对齐指令
_mm256_broadcast_ss 比重复写 _mm256_set1_ps(x) 更高效
想把单个 float x 扩展成 8 个副本参与 AVX 计算，直觉可能写 _mm256_set1_ps(x)，但它实际生成多条指令（含寄存器移动）。而 _mm256_broadcast_ss(&x) 编译后通常就一条 vbroadcastss 指令，延迟更低、吞吐更高。
参数差异：_mm256_set1_ps(x) 接值，_mm256_broadcast_ss 接地址——哪怕 x 是局部变量，也得取地址传进去。
- 同理，广播一个
double用_mm256_broadcast_sd - AVX-512 有更灵活的
_mm512_set1_ps，但当前主流环境还是优先选 broadcast 类指令 - 注意：broadcast 指令在某些旧 CPU（如 Haswell 以前）可能比 set1 慢，但现代 CPU（Skylake 及以后）已优化到位
别在循环里频繁调用 _mm_sfence 或 _mm_mfence
intrinsics 里的内存栅栏（fence）指令不是用来“确保结果正确”的常规手段。浮点计算本身无顺序依赖时，加 fence 只会让流水线停顿，显著拖慢速度。它们真正的用途是同步非缓存写（如 WC memory）、或配合 _mm_stream_ps 做写合并（write-combining）。
容易踩的坑：看到文档说“streaming 写需要 fence”，就给每个 _mm_stream_ps 后面跟一个 _mm_sfence，结果性能反而不如普通 _mm_store_ps。
- 正确做法：一批 stream 写完后，统一加一次
_mm_sfence刷出写缓冲区 - 纯计算密集型循环（加减乘除、sin/cos 近似等），完全不需要任何 fence
- 调试时用
_mm_store_ps替代_mm_stream_ps，能避免因 fence 使用不当导致的诡异行为
最常被忽略的一点：AVX 指令集切换（比如 SSE 和 AVX 混用）可能引发状态保存开销，尤其在函数边界。如果整个模块只用 AVX，编译时加 -mavx 并避免调用只用 SSE 的第三方库函数，能省掉隐式状态切换。
