使用AVX2需包含、用__m256类型、32字节内存对齐、-mavx2编译标志，逐块加载-计算-存储，如32元float数组相加需4次__m256运算。
直接用 C++ 写 AVX/SSE 指令，不靠编译器自动向量化，核心是：用 immintrin.h（或对应头文件）引入内在函数（intrinsics），操作 __m128 / __m256 等向量类型，手动调度数据和计算逻辑。
从 SSE 到 AVX：选对头文件和数据类型
SSE 使用 128 位寄存器，AVX 使用 256 位（AVX2 还支持整数运算，AVX-512 是 512 位，需额外开启）。实际开发中建议优先用 AVX2（主流 CPU 均支持）：
-
SSE（float）：包含
#include，用__m128，一次处理 4 个float -
AVX（float）：包含
#include，用__m256，一次处理 8 个float -
AVX2（int）：同样用
__m256i处理 8 个int32_t或 32 个int8_t - 编译时加标志，如 GCC/Clang：
-mavx2 -mfma；MSVC：项目属性 → 启用增强指令集 → AVX2
典型操作流程：加载→计算→存储
以“两个 float 数组逐元素相加”为例（长度为 32 的数组 a、b、c）：
-
对齐分配内存：SIMD 要求地址按寄存器宽度对齐（AVX2 需 32 字节对齐），推荐用
aligned_alloc(32, size)或_mm_malloc(size, 32) -
分块循环：每次处理 8 个 float（对应一个
__m256），共 4 次迭代：for (int i = 0; i < 32; i += 8) { __m256 va = _mm256_load_ps(&a[i]); __m256 vb = _mm256_load_ps(&b[i]); __m256 vc = _mm256_add_ps(va, vb); _mm256_store_ps(&c[i], vc); } -
注意边界：若数组长度不是 8 的倍数，剩余元素用标量补足，或用 masked load/store（AVX2 不直接支持，AVX-512 有
_mm256_mask_load_ps）
常见陷阱与实用技巧
-
未对齐加载崩溃：用
_mm256_loadu_ps（u 表示 unaligned）可避免崩溃，但性能略降；生产环境仍建议对齐 + 正常 load -
混用浮点/整数指令易出错：
_mm256_add_ps（float）和_mm256_add_epi32（int32）不能互换，类型不匹配会静默出错 -
避免频繁标量/向量转换：比如提取单个元素用
_mm256_extract_ps开销大，应尽量保持向量化流水 -
用内联函数封装常用模式：例如写一个
vec_add(float* a, float* b, float* c, int n)，内部处理对齐、循环、余数
验证是否生效 & 性能对比方法
别只信代码写了 intrinsic 就变快 —— 实测才是关键：
立即学习“C++免费学习笔记（深入）”；
- 用
std::chrono::high_resolution_clock测量标量版 vs SIMD 版的耗时（重复多次取平均） - 检查汇编输出：GCC 加
-S -O2生成 .s 文件，搜索vaddps、vmovaps等指令确认是否生成了 AVX 指令 - 用 perf（Linux）或 VTune（Intel）看 IPC、L1 cache miss、vector utilization 等指标，判断瓶颈在计算还是访存
- 注意：小数组或简单运算可能被标量击败（函数调用/对齐开销占比高），SIMD 优势通常在数百元素以上才明显
