AVX2矩阵乘法不能直接用_mm256_mul_ps，因其仅执行逐元素乘（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用_mm256_mul_ps？
因为 _mm256_mul_ps 只做逐元素乘法，而矩阵乘法核心是「行×列点积」——需要先广播、再乘加、最后水平累加。直接套用会漏掉累加逻辑，结果全错。
典型错误现象：输出矩阵全是零或随机大数，_mm256_store_ps 写入时触发段错误（未对齐访问）或数值溢出（没清零累加寄存器）。
- 必须用
_mm256_dp_ps（仅支持单精度且需掩码）或手动展开 +_mm256_hadd_ps+_mm256_hadd_ps实现水平求和 - 更常用的是循环展开 +
_mm256_mul_ps+_mm256_add_ps累加到多个寄存器，最后统一水平加 - 输入数据必须 32 字节对齐（
aligned_alloc(32, ...)），否则_mm256_load_ps崩溃
如何组织循环以最大化AVX2吞吐？
关键不是“越深越好”，而是让 L1 cache 和寄存器压力匹配：典型块大小为 M=16, N=16, K=8（即 16×16 输出块，每次加载 8 列 A 和 8 行 B）。
这样能保证：
立即学习“C++免费学习笔记（深入）”；
- A 的一块（16×8）≈ 512 字节，B 的一块（8×16）≈ 512 字节，刚好塞进 L1d cache（通常 32KB）的两个 bank
- 寄存器够用：用 8 个
__m256寄存器存 C 的 16 个累加中间值（每寄存器存 2 个 float，共 16 个） - 避免 store-forwarding stall：C 块写回前不读取，用临时寄存器暂存
伪代码核心片段：
for (int i = 0; i < M; i += 16) {
for (int j = 0; j < N; j += 16) {
__m256 acc[8]; // 初始化为 _mm256_setzero_ps()
for (int k = 0; k < K; k += 8) {
// 加载 A[i..i+15][k..k+7] → 4×_mm256_load_ps
// 广播 B[k..k+7][j..j+15] → 2×_mm256_broadcast_ss + 交叉混洗
// 8 轮 mul+add 更新 acc[0..7]
}
// 水平加 acc → 得到 16 个结果 float，store 到 C[i..i+15][j..j+15]
}
}
OpenMP + AVX2混合并行时线程间cache冲突怎么破？
直接 #pragma omp parallel for 套外层 i 循环，会导致多个线程同时写同一 cache line（尤其 C 矩阵按行存储，相邻 i 行地址差 stride×sizeof(float)，极易 alias）。
实操建议：
- 改用
schedule(dynamic, 4)，每次分配 4 行任务，减少调度开销 - 给每个线程分配私有缓存块（
thread_local static float local_buf[256]），先算完再合并，避免写竞争 - 关键：C 矩阵分配时用
posix_memalign对齐到 4096 字节，降低 false sharing 概率 - 禁用超线程（
taskset -c 0-3 ./a.out），因 AVX2 运算占满物理核，启超线程反而降速 15%+
为什么float比double在AVX2上快近一倍？
AVX2 的 256 位寄存器一次可装 8 个 float，但只能装 4 个 double；且 _mm256_mul_pd / _mm256_add_pd 吞吐通常只有单精度指令的 50%～70%（微架构限制）。
除非业务明确要求 double 精度，否则：
- 强制用
float类型声明所有矩阵数据（别信“自动提升”） - 编译加
-ffast-math -mavx2 -mfma（FMA 能把 mul+add 合成一条指令，提速约 20%） - 检查汇编：确保没生成
vunpcklps等低效混洗指令——那说明数据布局没对齐或循环没展开到位
真正难的不是写 AVX2 intrinsics，而是让内存访问模式和 cache 行填充率匹配；调参时多看 perf stat -e cache-misses,instructions,cycles，比跑 time 更准。
