直接用 _mm256_mul_ps 写三层循环更慢，因为瓶颈在内存供给而非计算：未对齐导致降级或异常、未分块使 l1d 缓存缺失率超 70%、未预取致 cpu 空等 12–15 周期；必须同时满足 32 字节对齐（用 _mm_malloc）、64×64 外层分块 + 8×8 内层 tile、b 预转置 + 显式预取，才能让 avx 持续满负荷运行。

为什么直接用 _mm256_mul_ps 写三层循环反而更慢

因为瓶颈根本不在计算，而在内存供给跟不上——_mm256_mul_ps 每条指令只花 1–2 cycle，但等数据从 L2 缓存加载到寄存器要 12–15 cycle。没对齐、没分块、没预取时，CPU 大部分时间在空转。

• _mm256_load_ps 要求地址 32 字节对齐，new float[n] 或 std::vector<float></float> 几乎总不满足，轻则降级为慢速路径，重则触发 #GP 异常
• 标准 i-j-k 循环中，B[k][j] 是列访问，步长等于整行长度，L1d cache miss rate 轻松超 70%
• 不做分块时，每个 C[i][j] 都要重载整行 A 和整列 B，A 的行虽连续，B 的列完全随机，硬件预取器基本失效

必须做的三件事：对齐 + 分块 + 预取

这三项缺一不可，少一个性能就断崖下跌。不是“加了 AVX 就快”，而是让 AVX 持续有活干。

• 内存分配改用 _mm_malloc(size, 32)（配 _mm_free），或 aligned_alloc(32, size)（需保证 size % 32 == 0）；验证对齐：(uintptr_t)ptr & 31 必须恒为 0
• 分块尺寸选 64×64（对应 L2 容量）做外层块，内层用 8×8 tile（适配 AVX 的 8 float 并行度）；索引用 i*8 + r 形式，禁用除法/模运算
• 预取用 _mm_prefetch(&A[i + 64], _MM_HINT_NTA) 拉后续 A 块；对 B 沿列方向每 8 行预取一次：_mm_prefetch(&B[(t+8) * ldb + j], _MM_HINT_NTA) ——_MM_HINT_NTA 避免污染 cache

怎么让 B 的访存变连续：转置比现场算快

原始 B[k][j] 列访问无法向量化，硬扛只会让 _mm256_load_ps 反复跨 cache line。预转置一小块（如 8×8）是性价比最高的解法。

C++ Code Review Master

组合式C++代码评审方案，融合静态分析、AI推理、多轮迭代评审和C++专项检查，适用于PR审查、增量代码审查、全项目评审和代码质量评分，触发词包括review cpp、cpp代码评审、C++review、代码审查。

下载

• 在进入 micro-kernel 前，把当前要算的 B 列块（8 行 × N 列）转置成 8 列 × N 行，存进临时 buffer
• 这样 A 的行块和转置后的 B 块都是行主序连续，一次 _mm256_load_ps 就能取满 8 个 float
• 别在现场用条件判断切换 layout：transB ? B[j * ldb + k] : B[k * ldb + j]，分支预测失败会打断流水线；统一用指针偏移，比转置还慢 3×

_mm256_fmadd_ps 怎么用才不翻车

它不是万能加速器。寄存器压力、依赖链、混洗开销全得手动管住，否则编译器生成的代码可能比你手写还差。

• 每轮只 load 1 个 A 元素（_mm256_broadcast_ss 广播），再与 B 的 8 元素向量相乘累加；避免同时 load 多个 A 导致寄存器溢出
• 结果累加进 8 个独立 __m256 寄存器，最后用 _mm256_hadd_ps + 手动 shuffle 水平求和，再 _mm256_store_ps 回写
• 边界处理别用 if：K 维按 8 向上补齐（K_padded = (K + 7) & ~7），用掩码或 zero-padding 避免分支
• 别信 -O3 -march=native 自动向量化——面对复杂访存模式，GCC/Clang 常退化成标量；加 __builtin_assume_aligned(ptr, 32) 显式提示对齐

实际最难的不是写对指令，是让每条 _mm256_fmadd_ps 执行时，数据已经躺在 L1 cache 里，且没有 bank conflict、TLB miss 或 cache line split 拖后腿。这些细节不调准，AVX 代码跑得比标量还慢。

C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！