一、SIMD 与向量化：让 CPU 一次干四份活
说实话，我第一次接触 SIMD 是在优化一个视频编码模块的时候。那时候项目 deadline 压得紧，性能死活上不去。后来一位老同事丢给我一句话：「你让 CPU 一次只处理一个像素，它当然慢。」
嗯，这句话点醒了我。SIMD（Single Instruction, Multiple Data）说白了就是让 CPU 用一条指令同时处理多个数据。你想想看，普通指令一次处理一个 int，SIMD 指令一次能处理四个、八个甚至十六个。这不就是白捡的性能吗？
1.1 SSE 与 AVX：两代主力指令集
Intel 从 1999 年就开始推 SIMD 指令集了。我个人习惯把 SSE 和 AVX 分成两代来看：
- SSE（Streaming SIMD Extensions）：128 位宽，一次处理 4 个 float 或 2 个 double。我在老项目里见过很多 SSE 代码，至今还在用。
- AVX（Advanced Vector Extensions）：256 位宽，一次处理 8 个 float 或 4 个 double。AVX2 加了 gather 指令，AVX-512 更是到了 512 位。
这里有个坑——AVX 指令会让 CPU 降频。我在项目中遇到过，跑 AVX-512 密集计算时，CPU 温度飙升，频率直接往下掉，结果性能反而没比 AVX2 快多少。所以别盲目追求宽位宽。
核心原则：能用 SSE 解决的，别上 AVX。能用 AVX2 解决的，别上 AVX-512。省电、省热、省心。
1.2 自动向量化：编译器替你干活
很多开发者不知道，现代编译器（GCC、Clang、MSVC）其实自带向量化能力。你写个简单的 for 循环，编译器可能自动帮你生成 SIMD 指令。
举个例子：
// 这段代码，编译器可能自动向量化
void add_arrays(float* a, float* b, float* c, int n) {
for (int i = 0; i < n; ++i) {
c[i] = a[i] + b[i];
}
}但编译器不是万能的。我踩过的坑包括：
- 循环次数不确定：编译器不知道 n 是不是 4 的倍数，就不敢向量化
- 指针别名：a、b、c 可能指向同一块内存，编译器怕冲突
- 复杂分支：if-else 太多，编译器直接放弃
我的建议：用 __restrict__ 告诉编译器指针不重叠，用 #pragma GCC ivdep 强制忽略依赖。编译时加 -O2 -march=native -ftree-vectorize，然后看汇编确认是否生成了 SIMD 指令。
1.3 手写 SIMD 代码：什么时候该动手？
自动向量化搞不定的时候，就得自己上了。我一般在以下场景手写 SIMD：
- 图像处理：像素级操作，数据规整
- 音频处理：采样点计算，延迟敏感
- 科学计算：矩阵运算，数据量大
- 加密算法：固定模式，重复性强
来看一个手写 SSE 的例子：
#include <xmmintrin.h> // SSE 头文件
void add_arrays_sse(float* a, float* b, float* c, int n) {
int i = 0;
// 每次处理 4 个 float
for (; i + 3 < n; i += 4) {
__m128 va = _mm_loadu_ps(&a[i]); // 加载 4 个 float
__m128 vb = _mm_loadu_ps(&b[i]);
__m128 vc = _mm_add_ps(va, vb); // 一次加 4 个
_mm_storeu_ps(&c[i], vc); // 存回去
}
// 处理剩余元素
for (; i < n; ++i) {
c[i] = a[i] + b[i];
}
}这段代码比普通循环快 3-4 倍。为什么不是 4 倍？因为内存访问有开销，而且剩余元素只能用标量处理。
曾经踩过的坑：_mm_load_ps 要求地址 16 字节对齐，不对齐就崩溃。我一开始不知道，debug 了一下午。后来全换成 _mm_loadu_ps，虽然慢一点点，但安全。
1.4 性能收益分析：到底能快多少？
我整理了一份实测数据，测试环境是 i7-12700H，DDR5 内存：
| 操作 | 标量 | SSE（128位） | AVX2（256位） | 加速比 |
|---|---|---|---|---|
| float 加法 | 1.0x | 3.2x | 5.8x | 接近理论值 |
| float 乘法+加法 | 1.0x | 2.9x | 5.1x | FMA 指令加成 |
| int 加法 | 1.0x | 2.8x | 4.9x | 整数稍慢 |
| double 加法 | 1.0x | 1.9x | 3.5x | 位宽减半 |
注意看，double 的加速比明显低于 float。因为 SSE 一次只能处理 2 个 double，AVX2 一次 4 个。所以如果你能用 float 解决问题，就别用 double。
1.5 知识体系总览
下面这张图是我自己整理的 SIMD 向量化知识结构，方便你快速建立全局认知：
1.6 避坑指南与实用技巧
最后分享几个我这些年积累的经验：
- 内存对齐是命根子：用
aligned_alloc或__attribute__((aligned(32)))，不对齐的性能损失可能高达 30% - 别在热点路径里用 gather/scatter：AVX2 的 gather 指令延迟很高，有时候不如拆成标量
- 先写标量版本，再向量化：保证正确性，然后用 perf 工具看瓶颈在哪
- 用
__builtin_assume_aligned：告诉编译器指针已对齐，帮助生成更优代码
一句话总结：SIMD 向量化是 C++ 高性能编程的必修课。先让编译器帮你做，不行再手写。手写时注意内存对齐和分支控制，最后用 perf 验证收益。别盲目追求宽位宽，适合的才是最好的。
公众号：蓝海资料掘金营，微信 deep3321