能，但必须满足内存对齐、分块合理、B矩阵预转置三个硬条件；否则会触发#GP异常或静默降级，导致崩溃、结果错误或性能暴跌3–5倍。
AVX2 和 AVX-512 能不能直接加速矩阵乘？
能，但必须满足三个硬条件：内存对齐、分块合理、B 矩阵预转置。不满足时，_mm256_load_ps 或 _mm512_load_ps 会触发 #GP 异常或静默降级——前者崩溃，后者性能掉 3–5 倍，且难复现。
常见错误现象包括：segmentation fault、结果全为 0、数值溢出、多线程下 false sharing 导致吞吐不随核数线性增长。根本原因不是指令没写对，而是数据没喂到。
- AVX2 要求地址 % 32 == 0；AVX-512 要求地址 % 64 == 0
- leading dimension（
lda,ldb,ldc）必须是向量宽度的整数倍：AVX2 对应 8（float），AVX-512 对应 16 - 不做预转置 B，
_mm256_load_ps加载列元素时实际是跨步访问，cache miss rate 超 70%
内存怎么对齐才不会崩溃或降速？
用 new float[n] 或 std::vector<float></float> 分配的内存几乎都不对齐，运行时踩坑概率极高。必须在分配源头强制对齐。
- AVX2：用
_mm_malloc(size, 32)或aligned_alloc(32, size)，释放用_mm_free(ptr) - AVX-512：用
_mm_malloc(size, 64)或aligned_alloc(64, size) - 验证方式：
printf("align: %d\n", (uintptr_t)ptr & 31);（AVX2）或& 63（AVX-512），结果必须恒为 0 - 二维矩阵行首对齐 ≠ 全局对齐：即使
A首地址对齐，A + i * lda后可能错位——lda必须向上取整到最近 32/64 字节边界
分块大小选 8×8 还是 16×16？
没有统一答案，取决于目标平台和矩阵规模。盲目套用“越大越好”会翻车。
立即学习“C++免费学习笔记（深入）”；
- AVX2 推荐 8×8：L1d 缓存典型容量 32KB，8×8 float 块占约 256 字节，多个块可共存；实测在 i7-8700K 上比 16×16 快 12%
- AVX-512 可试 16×16，但仅当矩阵 ≥ 2048×2048 且内存带宽不瓶颈时才有效；小矩阵（如 512×512）因寄存器压力、指令调度开销和 cache miss 反而更慢
- 超过 32×32 易挤出 L1 中其他活跃数据，还可能超出可用寄存器数（AVX2 16 个 / AVX-512 32 个），被迫频繁 spill 到栈
- 维度 K 建议按 8（AVX2）或 16（AVX-512）向上补齐，避免内层循环末尾分支打乱流水线
为什么写了 _mm256_fmadd_ps 还跑不快？
因为编译器默认不生成高效 GEMM 代码，auto-vectorizer 对三重循环基本失效。必须手动控制关键点。
- 禁用混合指令：函数入口加
_mm256_zeroupper()，防止调用外部库时 SSE 指令被拖慢 - 关闭自动向量化：
-fno-tree-vectorize，避免编译器插入冲突的_mm_*指令 - 预取不能少：B 的列访问硬件预取器无效，必须手写
_mm_prefetch(&B[(k+8)*ldb + j], _MM_HINT_NTA) - 累加寄存器必须显式初始化：
__m256 sum = _mm256_setzero_ps()，否则含垃圾值导致结果错乱 - AVX-512 编译必须加
-march=skylake-avx512（非-mavx512f），否则高级特性如嵌入式广播、冲突检测不启用
复杂点在于：对齐、分块、预取、寄存器复用这四件事必须同时做对，缺一不可；任一环节松动，性能就断崖下跌。最容易被忽略的是 lda 对齐和预取位置校准——它们不报错，只悄悄变慢。
