avx2矩阵乘法不能直接用_mm256_mul_ps逐元素相乘，因其仅实现hadamard积，而矩阵乘需行×列点积；正确做法是分块转置b、寄存器累加并显式初始化零值。
AVX2矩阵乘法为什么不能直接套用_mm256_mul_ps逐元素相乘
因为矩阵乘法本质是行×列的点积，不是逐元素运算。直接用_mm256_mul_ps只能做 Hadamard 积（对应位置相乘），完全偏离了C[i][j] = Σ A[i][k] * B[k][j]的计算逻辑。真正要用的是_mm256_dp_ps（带掩码的点积）或更通用的“累加展开+寄存器复用”策略——后者在 AVX2 上更可控、兼容性更好。
常见错误现象：result全为 0 或数值明显溢出/错位，往往是因为把B的访存顺序搞反（没转置）、或_mm256_add_ps前忘了初始化累加寄存器为零。
- 必须对
B分块转置（例如 8×8 小块），让连续加载的 8 个B[k][j]能填满一个__m256 - 每次内层循环用
_mm256_load_ps读 A 的一行（8 float）、用_mm256_load_ps读 B 转置块的一列（也是 8 float），再_mm256_mul_ps后_mm256_add_ps到累加寄存器 - 累加寄存器必须显式初始化：
__m256 sum = _mm256_setzero_ps()，否则含垃圾值
如何避免 AVX 寄存器 bank conflict 和内存对齐崩溃
AVX 指令对地址对齐敏感，_mm256_load_ps要求 32 字节对齐，否则在某些 CPU 上触发EXC_BAD_ACCESS或静默性能暴跌。同时，频繁混用_mm256_*和_mm_*（SSE）指令会导致 AVX-SSE 过渡延迟（最多 70 个周期）。
使用场景：你用new float[N]分配内存，默认不保证 32 字节对齐；OpenMP 并行时若多个线程共用未对齐缓存行，还会引发 false sharing。
- 分配内存必须用
aligned_alloc(32, size)（C++17）或_mm_malloc(size, 32)（跨平台） - 声明数组时加
alignas(32)，如alignas(32) float A[1024]; - 函数入口加
_mm256_zeroupper()（尤其调用外部库前后），防止 SSE 指令被拖慢 - 禁用编译器自动向量化（
-fno-tree-vectorize），避免它生成冲突的混合指令
为什么 16×16 分块比 8×8 更快，但超过 32×32 反而变慢
分块大小本质是在 L1 缓存容量（通常 32KB）、寄存器数量（AVX2 有 16 个 256-bit 寄存器）和计算密度之间找平衡。16×16 块能让 A 行、B 列、C 累加结果各占约 1KB，在 L1 中热数据局部性好；而 32×32 块需 4KB 存储，容易挤掉其他活跃数据，还可能超出寄存器轮换能力，被迫频繁_mm256_store_ps回内存。
性能影响：实测在 Intel i7-8700K 上，16×16 分块比 8×8 快 12%，但 48×48 分块比基准标量版本还慢 5%——不是算得不够快，而是卡在内存带宽和 cache miss 上。
- 优先尝试
MC=16, KC=16, NC=16（经典 Goto 算法参数） - 若目标平台 L2 缓存大（如 Xeon），可试
KC=32提升计算/访存比 - 永远用
perf stat -e cache-misses,instructions,cycles验证，别只看 wall time
Clang/GCC 编译时哪些 flag 会悄悄破坏 AVX2 优化效果
-O3看似激进，但默认启用-ftree-vectorize，它生成的向量化代码常与手写 AVX 冲突；-march=native虽启用 AVX2，却可能让编译器把你的_mm256_load_ps替换成更激进（但不稳定）的vpermps指令，导致在老 CPU 上 SIGILL。
错误配置示例：g++ -O3 -march=native -mavx2 mmul.cpp → 在未开启 AVX2 的机器上直接崩溃。
- 稳妥组合：
g++ -O2 -mavx2 -mfma -fno-tree-vectorize -fno-alias -funroll-loops - 必须显式加
-mavx2（而非仅-march），确保所有 AVX2 内建函数可用 - 加
-D__AVX2__宏定义，方便代码中#ifdef __AVX2__条件编译 fallback 路径 - 发布前用
objdump -d a.out | grep vaddps确认关键循环真用了 AVX2 指令
最易被忽略的是寄存器重命名开销：一次_mm256_mul_ps后立刻_mm256_add_ps没问题，但若中间夹了非向量计算（比如索引修正、分支判断），CPU 可能无法隐藏延迟。把计算逻辑压进尽可能少的寄存器生命周期里，比堆砌指令数更重要。
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！
