SSE 指令集原理與 C/C++ 內建函式實戰應用

二、MSVC 內建函式速查表

所有內建函式定義於 <xmmintrin.h> (SSE)、<emmintrin.h> (SSE2)、<pmmintrin.h> (SSE3)、<smmintrin.h> (SSE4.1/4.2)、<immintrin.h> (AVX/AVX2/AVX-512 總覽)。

三、對齊實作模式

1. 堆疊區域對齊

__declspec(align(16)) float arr[4] = {1,2,3,4};
__m128 v = _mm_load_ps(arr); // 安全

2. 動態配置對齊

// C++17 aligned_alloc / _aligned_malloc
float* p = (float*)_aligned_malloc(1000 * sizeof(float), 16);
__m128 v = _mm_load_ps(p + i*4); // 安全
_aligned_free(p);

3. 結構體對齊

struct alignas(16) Vec4 { float x,y,z,w; }; // C++11
// 或 __declspec(align(16)) struct Vec4 { float x,y,z,w; };

四、實戰：向量縮放基準測試

#include <xmmintrin.h>
#include <windows.h>
#include <iostream>

using namespace std;

class Timer {
    LARGE_INTEGER freq, start;
public:
    Timer() { QueryPerformanceFrequency(&freq); Reset(); }
    void Reset() { QueryPerformanceCounter(&start); }
    double Elapsed() {
        LARGE_INTEGER now; QueryPerformanceCounter(&now);
        return double(now.QuadPart - start.QuadPart) / freq.QuadPart;
    }
};

void Scale_SSE(float* __restrict p, size_t n, float s) {
    __m128 vs = _mm_set1_ps(s);
    size_t i = 0;
    for (; i + 3 < n; i += 4) {
        __m128 v = _mm_load_ps(p + i);       // 假設 16-byte 對齊
        _mm_store_ps(p + i, _mm_mul_ps(v, vs));
    }
    // 剩餘 1-3 元素純量處理
    for (; i < n; ++i) p[i] *= s;
}

void Scale_Scalar(float* p, size_t n, float s) {
    for (size_t i = 0; i < n; ++i) p[i] *= s;
}

int main() {
    const size_t N = 10000;
    const int ITER = 100000;
    __declspec(align(16)) float data[N];

    Timer t;
    for (int k = 0; k < ITER; ++k) Scale_SSE(data, N, 1000.0f);
    cout << "SSE:     " << t.Elapsed() << " s\n";

    t.Reset();
    for (int k = 0; k < ITER; ++k) Scale_Scalar(data, N, 1000.0f);
    cout << "Scalar:  " << t.Elapsed() << " s\n";

    return 0;
}

典型輸出 (i7-12700K, MSVC /O2 /arch:SSE2)

SSE:     0.42 s
Scalar:  1.35 s
加速比:  ~3.2x

分析：理論 4x，實際受限於記憶體頻寬、迴圈開銷、尾部純量處理、指令吞吐率。

五、自動向量化 vs 手寫內建函式

建議策略：優先撰寫清晰的 C++ 迴圈，開啟 /O2 /arch:AVX2 讓編譯器自動向量化；熱點函式經 Profiler 確認瓶頸後，再手寫內建函式微調。

六、進階：SSE2/AVX/AVX-512 演進

• SSE2 (Pentium 4)：__m128d (2×double)、__m128i (整數 SIMD)、CVTSI2SD 等，現代基準指令集。
• AVX (Sandy Bridge)：256-bit YMM 暫存器 (8×float)，__m256、VEX 前綴、三操作數指令 (非破壞源操作數)。
• AVX-512 (Skylake-X/Ice Lake)：512-bit ZMM (16×float)、__m512、遮罩暫存器 (k0-k7)、嵌入式廣播/轉換/彈性彈性。

編譯器選項 /arch:AVX2 或 /arch:AVX512 可自動生成對應指令，內建函式命名規則統一 (_mm256_*, _mm512_*)。

七、實務建議

1. 資料結構設計為 Structure of Arrays (SoA) 而非 Array of Structures (AoS)，利於向量化載入。
2. 使用 __restrict (C99) / [[gnu::always_inline]] 協助編譯器別名分析與內聯。
3. 對齊檢查：static_assert(alignof(Vec4) == 16, "SSE alignment");。
4. 效能回歸測試：納入 CI 流程，偵測編譯器升級導致的向量化退化。
5. 跨平台抽象層：封裝 simd::float4 類別，內部根據 __SSE__/__AVX__/__ARM_NEON 切換實作。

SSE 為現代高效能計算基石，掌握內建函式、對齊規則、自動向量化協作技巧，能讓 C/C++ 程式在科學計算、影像處理、遊戲物理等領域釋放 CPU 最大算力。