_mm256_dp_ps 仅对 2 到 4 个元素的点积有用；对于较长的向量，在循环中使用垂直 SIMD 并在最后减少为标量。在循环中使用_mm256_dp_ps 和_mm256_add_ps 会慢得多。
GCC 和 clang 要求您启用（使用命令行选项）您使用内部函数的 ISA 扩展，这与 MSVC 和 ICC 不同。
下面的代码可能接近 CPU 的理论性能极限。未经测试。
使用 clang 或 gcc -O3 -march=native 编译它。 （至少需要-mavx -mfma，但-march 隐含的-mtune 选项也很好，其他-mpopcnt 和其他arch=native 启用的选项也是如此。调整选项对于大多数CPU 的高效编译至关重要使用 FMA，特别是 -mno-avx256-split-unaligned-load: Why doesn't gcc resolve _mm256_loadu_pd as single vmovupd?)
或者用MSVC编译-O2 -arch:AVX2
#include <immintrin.h>
#include <vector>
#include <assert.h>
// CPUs support RAM access like this: "ymmword ptr [rax+64]"
// Using templates with offset int argument to make easier for compiler to emit good code.
// Multiply 8 floats by another 8 floats.
template<int offsetRegs>
inline __m256 mul8( const float* p1, const float* p2 )
{
constexpr int lanes = offsetRegs * 8;
const __m256 a = _mm256_loadu_ps( p1 + lanes );
const __m256 b = _mm256_loadu_ps( p2 + lanes );
return _mm256_mul_ps( a, b );
}
// Returns acc + ( p1 * p2 ), for 8-wide float lanes.
template<int offsetRegs>
inline __m256 fma8( __m256 acc, const float* p1, const float* p2 )
{
constexpr int lanes = offsetRegs * 8;
const __m256 a = _mm256_loadu_ps( p1 + lanes );
const __m256 b = _mm256_loadu_ps( p2 + lanes );
return _mm256_fmadd_ps( a, b, acc );
}
// Compute dot product of float vectors, using 8-wide FMA instructions.
float dotProductFma( const std::vector<float>& a, const std::vector<float>& b )
{
assert( a.size() == b.size() );
assert( 0 == ( a.size() % 32 ) );
if( a.empty() )
return 0.0f;
const float* p1 = a.data();
const float* const p1End = p1 + a.size();
const float* p2 = b.data();
// Process initial 32 values. Nothing to add yet, just multiplying.
__m256 dot0 = mul8<0>( p1, p2 );
__m256 dot1 = mul8<1>( p1, p2 );
__m256 dot2 = mul8<2>( p1, p2 );
__m256 dot3 = mul8<3>( p1, p2 );
p1 += 8 * 4;
p2 += 8 * 4;
// Process the rest of the data.
// The code uses FMA instructions to multiply + accumulate, consuming 32 values per loop iteration.
// Unrolling manually for 2 reasons:
// 1. To reduce data dependencies. With a single register, every loop iteration would depend on the previous result.
// 2. Unrolled code checks for exit condition 4x less often, therefore more CPU cycles spent computing useful stuff.
while( p1 < p1End )
{
dot0 = fma8<0>( dot0, p1, p2 );
dot1 = fma8<1>( dot1, p1, p2 );
dot2 = fma8<2>( dot2, p1, p2 );
dot3 = fma8<3>( dot3, p1, p2 );
p1 += 8 * 4;
p2 += 8 * 4;
}
// Add 32 values into 8
const __m256 dot01 = _mm256_add_ps( dot0, dot1 );
const __m256 dot23 = _mm256_add_ps( dot2, dot3 );
const __m256 dot0123 = _mm256_add_ps( dot01, dot23 );
// Add 8 values into 4
const __m128 r4 = _mm_add_ps( _mm256_castps256_ps128( dot0123 ), _mm256_extractf128_ps( dot0123, 1 ) );
// Add 4 values into 2
const __m128 r2 = _mm_add_ps( r4, _mm_movehl_ps( r4, r4 ) );
// Add 2 lower values into the final result
const __m128 r1 = _mm_add_ss( r2, _mm_movehdup_ps( r2 ) );
// Return the lowest lane of the result vector.
// The intrinsic below compiles into noop, modern compilers return floats in the lowest lane of xmm0 register.
return _mm_cvtss_f32( r1 );
}
可能的进一步改进：
按 8 个向量而不是 4 个向量展开。我检查了 gcc 9.2 asm output，编译器仅使用了 16 个可用向量寄存器中的 8 个。
确保两个输入向量对齐，例如使用自定义分配器，在 msvc 上调用 _aligned_malloc / _aligned_free，或在 gcc 和 clang 上调用 aligned_alloc / free。然后将_mm256_loadu_ps 替换为_mm256_load_ps。
要自动矢量化简单的标量点积，您还需要 OpenMP SIMD 或 -ffast-math（由 -Ofast 暗示）让编译器将 FP 数学视为关联，即使它不是关联的（因为舍入）。但是 GCC 在自动矢量化时不会使用多个累加器，即使它展开了，所以你会成为 FMA 延迟的瓶颈，而不是负载吞吐量。
（每个 FMA 2 个负载意味着此代码的吞吐量瓶颈是向量负载，而不是实际的 FMA 操作。）