[C] 跨平台使用Intrinsic函数范例2——使用SSE2、AVX指令集处理双精度浮点数组求和

作者：zyl910。

　　本文面对对SSE等SIMD指令集有一定基础的读者，以双精度浮点数组求和为例演示了如何跨平台使用SSE2、AVX指令集。支持vc、gcc编译器，在Windows、Linux、Mac这三大平台上成功运行。

一、关键讲解

　　前文（http://www.cnblogs.com/zyl910/archive/2012/10/22/simdsumfloat.html）演示了如何使用SSE、AVX指令集处理单精度浮点数组求和。现在对其进行改造，使用SSE2、AVX指令集处理双精度浮点数组求和。因程序基本上差不多，文本就不详细讲解了，只说关键变化。

1.1 指令集简介

　　先来看看支持双精度浮点数的SIMD的指令集——
SSE指令集只支持单精度浮点运算，直到SSE2指令集才支持双精度浮点数运算。SSE2定义了128位紧缩双精度浮点类型，对应Intrinsic中的__m128d类型，它能一次能处理2个双精度浮点数。
AVX指令集从一开始就支持单精度与双精度浮点运算（但整数运算要等AVX2）。AVX定义了256位紧缩双精度浮点类型，对应Intrinsic中的__m256d类型，它能一次能处理4个双精度浮点数。

1.2 改造为 SSE2、AVX的双精度浮点代码

　　在使用Intrinsic函数时，将 SSE、AVX的单精度浮点代码改造为 SSE2、AVX的双精度浮点代码是很方便的。对比前文与本文的数组求和代码，变更的地方有——

float			double			备注
指令	Intrinsic	Asm	指令	Intrinsic	Asm	备注
SSE	__m128	XMMWORD	SSE2	__m128d	XMMWORD	类型
	_mm_setzero_ps	XORPS		_mm_setzero_pd	XORPD	赋0
	_mm_load_ps	MOVAPS		_mm_load_pd	MOVAPD	加载
	_mm_add_ps	ADDPS		_mm_add_pd	ADDPD	加法
AVX	__m256	YMMWORD	AVX	__m256d	YMMWORD	类型
	_mm256_setzero_ps	VXORPS		_mm256_setzero_pd	VXORPD	赋0
	_mm256_load_ps	VMOVAPS		_mm256_load_pd	VMOVAPD	加载
	_mm256_add_ps	VADDPS		_mm256_add_pd	VADDPD	加法

　　其次，还需要调整一下地址计算。对于C语言来说，将float指针改为double指针就能解决大多数地址计算问题了。然后再修正一下块宽计算、改写一下合并时的代码，便大功告成了。
　　例如sumfloat_sse与sumdouble_sse——

// 单精度浮点数组求和_SSE版.
float sumfloat_sse(const float* pbuf, size_t cntbuf)
{
    float s = 0;    // 求和变量.
    size_t i;
    size_t nBlockWidth = 4;    // 块宽. SSE寄存器能一次处理4个float.
    size_t cntBlock = cntbuf / nBlockWidth;    // 块数.
    size_t cntRem = cntbuf % nBlockWidth;    // 剩余数量.
    __m128 xfsSum = _mm_setzero_ps();    // 求和变量。[SSE] 赋初值0
    __m128 xfsLoad;    // 加载.
    const float* p = pbuf;    // SSE批量处理时所用的指针.
    const float* q;    // 将SSE变量上的多个数值合并时所用指针.

    // SSE批量处理.
    for(i=0; i<cntBlock; ++i)
    {
        xfsLoad = _mm_load_ps(p);    // [SSE] 加载
        xfsSum = _mm_add_ps(xfsSum, xfsLoad);    // [SSE] 单精浮点紧缩加法
        p += nBlockWidth;
    }
    // 合并.
    q = (const float*)&xfsSum;
    s = q[0] + q[1] + q[2] + q[3];

    // 处理剩下的.
    for(i=0; i<cntRem; ++i)
    {
        s += p[i];
    }

    return s;
}

// 双精度浮点数组求和_SSE版.
double sumdouble_sse(const double* pbuf, size_t cntbuf)
{
    double s = 0;    // 求和变量.
    size_t i;
    size_t nBlockWidth = 2;    // 块宽. SSE寄存器能一次处理2个double.
    size_t cntBlock = cntbuf / nBlockWidth;    // 块数.
    size_t cntRem = cntbuf % nBlockWidth;    // 剩余数量.
    __m128d xfdSum = _mm_setzero_pd();    // 求和变量。[SSE2] XORPD. 赋初值0.
    __m128d xfdLoad;    // 加载.
    const double* p = pbuf;    // SSE批量处理时所用的指针.
    const double* q;    // 将SSE变量上的多个数值合并时所用指针.

    // SSE批量处理.
    for(i=0; i<cntBlock; ++i)
    {
        xfdLoad = _mm_load_pd(p);    // [SSE2] MOVAPD. 加载.
        xfdSum = _mm_add_pd(xfdSum, xfdLoad);    // [SSE2] ADDPD. 双精浮点紧缩加法.
        p += nBlockWidth;
    }
    // 合并.
    q = (const double*)&xfdSum;
    s = q[0] + q[1];

    // 处理剩下的.
    for(i=0; i<cntRem; ++i)
    {
        s += p[i];
    }

    return s;
}

1.3 环境检查

　　最后，别忘了检查环境——
INTRIN_SSE2、INTRIN_AVX 宏是 zintrin.h 提供的，可用来在编译时检测编译器是否支持SSE2、AVX指令集。
simd_sse_level、simd_avx_level函数是 ccpuid.h 提供的，可用来在运行时检测当前系统环境是否支持SSE2、AVX指令集。

二、全部代码

2.1 simdsumdouble.c

　　全部代码——

#define __STDC_LIMIT_MACROS    1    // C99整数范围常量. [纯C程序可以不用, 而C++程序必须定义该宏.]

#include <stdlib.h>
#include <stdio.h>
#include <time.h>

#include "zintrin.h"
#include "ccpuid.h"


// Compiler name
#define MACTOSTR(x)    #x
#define MACROVALUESTR(x)    MACTOSTR(x)
#if defined(__ICL)    // Intel C++
#  if defined(__VERSION__)
#    define COMPILER_NAME    "Intel C++ " __VERSION__
#  elif defined(__INTEL_COMPILER_BUILD_DATE)
#    define COMPILER_NAME    "Intel C++ (" MACROVALUESTR(__INTEL_COMPILER_BUILD_DATE) ")"
#  else
#    define COMPILER_NAME    "Intel C++"
#  endif    // #  if defined(__VERSION__)
#elif defined(_MSC_VER)    // Microsoft VC++
#  if defined(_MSC_FULL_VER)
#    define COMPILER_NAME    "Microsoft VC++ (" MACROVALUESTR(_MSC_FULL_VER) ")"
#  elif defined(_MSC_VER)
#    define COMPILER_NAME    "Microsoft VC++ (" MACROVALUESTR(_MSC_VER) ")"
#  else
#    define COMPILER_NAME    "Microsoft VC++"
#  endif    // #  if defined(_MSC_FULL_VER)
#elif defined(__GNUC__)    // GCC
#  if defined(__CYGWIN__)
#    define COMPILER_NAME    "GCC(Cygmin) " __VERSION__
#  elif defined(__MINGW32__)
#    define COMPILER_NAME    "GCC(MinGW) " __VERSION__
#  else
#    define COMPILER_NAME    "GCC " __VERSION__
#  endif    // #  if defined(_MSC_FULL_VER)
#else
#  define COMPILER_NAME    "Unknown Compiler"
#endif    // #if defined(__ICL)    // Intel C++


//////////////////////////////////////////////////
// sumdouble: 双精度浮点数组求和的函数
//////////////////////////////////////////////////

// 双精度浮点数组求和_基本版.
//
// result: 返回数组求和结果.
// pbuf: 数组的首地址.
// cntbuf: 数组长度.
double sumdouble_base(const double* pbuf, size_t cntbuf)
{
    double s = 0;    // 求和变量.
    size_t i;
    for(i=0; i<cntbuf; ++i)
    {
        s += pbuf[i];
    }
    return s;
}

#ifdef INTRIN_SSE2
// 双精度浮点数组求和_SSE版.
double sumdouble_sse(const double* pbuf, size_t cntbuf)
{
    double s = 0;    // 求和变量.
    size_t i;
    size_t nBlockWidth = 2;    // 块宽. SSE寄存器能一次处理2个double.
    size_t cntBlock = cntbuf / nBlockWidth;    // 块数.
    size_t cntRem = cntbuf % nBlockWidth;    // 剩余数量.
    __m128d xfdSum = _mm_setzero_pd();    // 求和变量。[SSE2] XORPD. 赋初值0.
    __m128d xfdLoad;    // 加载.
    const double* p = pbuf;    // SSE批量处理时所用的指针.
    const double* q;    // 将SSE变量上的多个数值合并时所用指针.

    // SSE批量处理.
    for(i=0; i<cntBlock; ++i)
    {
        xfdLoad = _mm_load_pd(p);    // [SSE2] MOVAPD. 加载.
        xfdSum = _mm_add_pd(xfdSum, xfdLoad);    // [SSE2] ADDPD. 双精浮点紧缩加法.
        p += nBlockWidth;
    }
    // 合并.
    q = (const double*)&xfdSum;
    s = q[0] + q[1];

    // 处理剩下的.
    for(i=0; i<cntRem; ++i)
    {
        s += p[i];
    }

    return s;
}

// 双精度浮点数组求和_SSE四路循环展开版.
double sumdouble_sse_4loop(const double* pbuf, size_t cntbuf)
{
    double s = 0;    // 返回值.
    size_t i;
    size_t nBlockWidth = 2*4;    // 块宽. SSE寄存器能一次处理2个double，然后循环展开4次.
    size_t cntBlock = cntbuf / nBlockWidth;    // 块数.
    size_t cntRem = cntbuf % nBlockWidth;    // 剩余数量.
    __m128d xfdSum = _mm_setzero_pd();    // 求和变量。[SSE2] XORPD. 赋初值0.
    __m128d xfdSum1 = _mm_setzero_pd();
    __m128d xfdSum2 = _mm_setzero_pd();
    __m128d xfdSum3 = _mm_setzero_pd();
    __m128d xfdLoad;    // 加载.
    __m128d xfdLoad1;
    __m128d xfdLoad2;
    __m128d xfdLoad3;
    const double* p = pbuf;    // SSE批量处理时所用的指针.
    const double* q;    // 将SSE变量上的多个数值合并时所用指针.

    // SSE批量处理.
    for(i=0; i<cntBlock; ++i)
    {
        xfdLoad = _mm_load_pd(p);    // [SSE2] MOVAPD. 加载.
        xfdLoad1 = _mm_load_pd(p+2);
        xfdLoad2 = _mm_load_pd(p+4);
        xfdLoad3 = _mm_load_pd(p+6);
        xfdSum = _mm_add_pd(xfdSum, xfdLoad);    // [SSE2] ADDPD. 双精浮点紧缩加法.
        xfdSum1 = _mm_add_pd(xfdSum1, xfdLoad1);
        xfdSum2 = _mm_add_pd(xfdSum2, xfdLoad2);
        xfdSum3 = _mm_add_pd(xfdSum3, xfdLoad3);
        p += nBlockWidth;
    }
    // 合并.
    xfdSum = _mm_add_pd(xfdSum, xfdSum1);    // 两两合并(0~1).
    xfdSum2 = _mm_add_pd(xfdSum2, xfdSum3);    // 两两合并(2~3).
    xfdSum = _mm_add_pd(xfdSum, xfdSum2);    // 两两合并(0~3).
    q = (const double*)&xfdSum;
    s = q[0] + q[1];

    // 处理剩下的.
    for(i=0; i<cntRem; ++i)
    {
        s += p[i];
    }

    return s;
}
#endif    // #ifdef INTRIN_SSE2


#ifdef INTRIN_AVX
// 双精度浮点数组求和_AVX版.
double sumdouble_avx(const double* pbuf, size_t cntbuf)
{
    double s = 0;    // 求和变量.
    size_t i;
    size_t nBlockWidth = 4;    // 块宽. AVX寄存器能一次处理4个double.
    size_t cntBlock = cntbuf / nBlockWidth;    // 块数.
    size_t cntRem = cntbuf % nBlockWidth;    // 剩余数量.
    __m256d yfdSum = _mm256_setzero_pd();    // 求和变量。[AVX] VXORPD. 赋初值0.
    __m256d yfdLoad;    // 加载.
    const double* p = pbuf;    // AVX批量处理时所用的指针.
    const double* q;    // 将AVX变量上的多个数值合并时所用指针.

    // AVX批量处理.
    for(i=0; i<cntBlock; ++i)
    {
        yfdLoad = _mm256_load_pd(p);    // [AVX] VMOVAPD. 加载.
        yfdSum = _mm256_add_pd(yfdSum, yfdLoad);    // [AVX] VADDPD. 双精浮点紧缩加法.
        p += nBlockWidth;
    }
    // 合并.
    q = (const double*)&yfdSum;
    s = q[0] + q[1] + q[2] + q[3];

    // 处理剩下的.
    for(i=0; i<cntRem; ++i)
    {
        s += p[i];
    }

    return s;
}

// 双精度浮点数组求和_AVX四路循环展开版.
double sumdouble_avx_4loop(const double* pbuf, size_t cntbuf)
{
    double s = 0;    // 求和变量.
    size_t i;
    size_t nBlockWidth = 4*4;    // 块宽. AVX寄存器能一次处理8个double，然后循环展开4次.
    size_t cntBlock = cntbuf / nBlockWidth;    // 块数.
    size_t cntRem = cntbuf % nBlockWidth;    // 剩余数量.
    __m256d yfdSum = _mm256_setzero_pd();    // 求和变量。[AVX] VXORPD. 赋初值0.
    __m256d yfdSum1 = _mm256_setzero_pd();
    __m256d yfdSum2 = _mm256_setzero_pd();
    __m256d yfdSum3 = _mm256_setzero_pd();
    __m256d yfdLoad;    // 加载.
    __m256d yfdLoad1;
    __m256d yfdLoad2;
    __m256d yfdLoad3;
    const double* p = pbuf;    // AVX批量处理时所用的指针.
    const double* q;    // 将AVX变量上的多个数值合并时所用指针.

    // AVX批量处理.
    for(i=0; i<cntBlock; ++i)
    {
        yfdLoad = _mm256_load_pd(p);    // [AVX] VMOVAPD. 加载.
        yfdLoad1 = _mm256_load_pd(p+4);
        yfdLoad2 = _mm256_load_pd(p+8);
        yfdLoad3 = _mm256_load_pd(p+12);
        yfdSum = _mm256_add_pd(yfdSum, yfdLoad);    // [AVX] VADDPD. 双精浮点紧缩加法.
        yfdSum1 = _mm256_add_pd(yfdSum1, yfdLoad1);
        yfdSum2 = _mm256_add_pd(yfdSum2, yfdLoad2);
        yfdSum3 = _mm256_add_pd(yfdSum3, yfdLoad3);
        p += nBlockWidth;
    }
    // 合并.
    yfdSum = _mm256_add_pd(yfdSum, yfdSum1);    // 两两合并(0~1).
    yfdSum2 = _mm256_add_pd(yfdSum2, yfdSum3);    // 两两合并(2~3).
    yfdSum = _mm256_add_pd(yfdSum, yfdSum2);    // 两两合并(0~3).
    q = (const double*)&yfdSum;
    s = q[0] + q[1] + q[2] + q[3];

    // 处理剩下的.
    for(i=0; i<cntRem; ++i)
    {
        s += p[i];
    }

    return s;
}

#endif    // #ifdef INTRIN_AVX



//////////////////////////////////////////////////
// main
//////////////////////////////////////////////////

// 变量对齐.
#ifndef ATTR_ALIGN
#  if defined(__GNUC__)    // GCC
#    define ATTR_ALIGN(n)    __attribute__((aligned(n)))
#  else    // 否则使用VC格式.
#    define ATTR_ALIGN(n)    __declspec(align(n))
#  endif
#endif    // #ifndef ATTR_ALIGN


#define BUFSIZE    2048    // = 32KB{L1 Cache} / (2 * sizeof(double))
ATTR_ALIGN(32) double buf[BUFSIZE];

// 测试时的函数类型
typedef double (*TESTPROC)(const double* pbuf, size_t cntbuf);

// 进行测试
void runTest(const char* szname, TESTPROC proc)
{
    const int testloop = 4000;    // 重复运算几次延长时间，避免计时精度问题.
    const clock_t TIMEOUT = CLOCKS_PER_SEC/2;    // 最短测试时间.
    int i,j,k;
    clock_t    tm0, dt;    // 存储时间.
    double mps;    // M/s.
    double mps_good = 0;    // 最佳M/s. 因线程切换会导致的数值波动, 于是选取最佳值.
    volatile double n=0;    // 避免内循环被优化.
    for(i=1; i<=3; ++i)    // 多次测试.
    {
        tm0 = clock();
        // main
        k=0;
        do
        {
            for(j=1; j<=testloop; ++j)    // 重复运算几次延长时间，避免计时开销带来的影响.
            {
                n = proc(buf, BUFSIZE);    // 避免内循环被编译优化消掉.
            }
            ++k;
            dt = clock() - tm0;
        }while(dt<TIMEOUT);
        // show
        mps = (double)k*testloop*BUFSIZE*CLOCKS_PER_SEC/(1024.0*1024.0*dt);    // k*testloop*BUFSIZE/(1024.0*1024.0) 将数据规模换算为M，然后再乘以 CLOCKS_PER_SEC/dt 换算为M/s .
        if (mps_good<mps)    mps_good=mps;    // 选取最佳值.
        //printf("%s:\t%.0f M/s\t//%f\n", szname, mps, n);
    }
    printf("%s:\t%.0f M/s\t//%f\n", szname, mps_good, n);
}

int main(int argc, char* argv[])
{
    char szBuf[64];
    int i;

    printf("simdsumdouble v1.00 (%dbit)\n", INTRIN_WORDSIZE);
    printf("Compiler: %s\n", COMPILER_NAME);
    cpu_getbrand(szBuf);
    printf("CPU:\t%s\n", szBuf);
    printf("\n");

    // init buf
    srand( (unsigned)time( NULL ) );
    for (i = 0; i < BUFSIZE; i++) buf[i] = (double)(rand() & 0x7fff);    // 使用&0x7fff是为了让求和后的数值在一定范围内，便于观察结果是否正确.

    // test
    runTest("sumdouble_base", sumdouble_base);    // 双精度浮点数组求和_基本版.
#ifdef INTRIN_SSE2
    if (simd_sse_level(NULL) >= SIMD_SSE_2)
    {
        runTest("sumdouble_sse", sumdouble_sse);    // 双精度浮点数组求和_SSE版.
        runTest("sumdouble_sse_4loop", sumdouble_sse_4loop);    // 双精度浮点数组求和_SSE四路循环展开版.
    }
#endif    // #ifdef INTRIN_SSE2
#ifdef INTRIN_AVX
    if (simd_avx_level(NULL) >= SIMD_AVX_1)
    {
        runTest("sumdouble_avx", sumdouble_avx);    // 双精度浮点数组求和_SSE版.
        runTest("sumdouble_avx_4loop", sumdouble_avx_4loop);    // 双精度浮点数组求和_SSE四路循环展开版.
    }
#endif    // #ifdef INTRIN_AVX

    return 0;
}

2.2 makefile

　　全部代码——

# flags
CC = g++
CFS = -Wall -msse2

# args
RELEASE =0
BITS =
CFLAGS =

# [args] 生成模式. 0代表debug模式, 1代表release模式. make RELEASE=1.
ifeq ($(RELEASE),0)
    # debug
    CFS += -g
else
    # release
    CFS += -O3 -DNDEBUG
    //CFS += -O3 -g -DNDEBUG
endif

# [args] 程序位数. 32代表32位程序, 64代表64位程序, 其他默认. make BITS=32.
ifeq ($(BITS),32)
    CFS += -m32
else
    ifeq ($(BITS),64)
        CFS += -m64
    else
    endif
endif

# [args] 使用 CFLAGS 添加新的参数. make CFLAGS="-mavx".
CFS += $(CFLAGS)


.PHONY : all clean

# files
TARGETS = simdsumdouble
OBJS = simdsumdouble.o

all : $(TARGETS)

simdsumdouble : $(OBJS)
    $(CC) $(CFS) -o $@ $^


simdsumdouble.o : simdsumdouble.c zintrin.h ccpuid.h
    $(CC) $(CFS) -c $<


clean :
    rm -f $(OBJS) $(TARGETS) $(addsuffix .exe,$(TARGETS))

三、编译测试

3.1 编译

　　在以下编译器中成功编译——
VC6：x86版。
VC2003：x86版。
VC2005：x86版。
VC2010：x86版、x64版。
GCC 4.7.0（Fedora 17 x64）：x86版、x64版。
GCC 4.6.2（MinGW(20120426)）：x86版。
GCC 4.7.1（TDM-GCC(MinGW-w64)）：x86版、x64版。
llvm-gcc-4.2（Mac OS X Lion 10.7.4, Xcode 4.4.1）：x86版、x64版。

3.2 测试

　　因虚拟机上的有效率损失，于是仅在真实系统上进行测试。

　　系统环境——
CPU：Intel(R) Core(TM) i3-2310M CPU @ 2.10GHz
操作系统：Windows 7 SP1 x64版

　　然后分别运行VC与GCC编译的Release版可执行文件，即以下4个程序——
exe\simdsumdouble_vc32.exe：VC2010 SP1 编译的32位程序，/O2 /arch:SSE2。
exe\simdsumdouble_vc64.exe：VC2010 SP1 编译的64位程序，/O2 /arch:AVX。
exe\simdsumdouble_gcc32.exe：GCC 4.7.1（TDM-GCC(MinGW-w64)）编译的32位程序，-O3 -mavx。
exe\simdsumdouble_gcc64.exe：GCC 4.7.1（TDM-GCC(MinGW-w64)）编译的64位程序，-O3 -mavx。

　　测试结果（使用cmdarg_ui）——

参考文献——
《Intel® 64 and IA-32 Architectures Software Developer’s Manual Combined Volumes:1, 2A, 2B, 2C, 3A, 3B, and 3C》044US. August 2012. http://www.intel.com/content/www/us/en/processors/architectures-software-developer-manuals.html
《Intel® Architecture Instruction Set Extensions Programming Reference》014. AUGUST 2012. http://software.intel.com/en-us/avx/
《AMD64 Architecture Programmer’s Manual Volume 4: 128-Bit and 256-Bit Media Instructions》. December 2011. http://developer.amd.com/documentation/guides/Pages/default.aspx#manuals
《[C] 让VC、BCB支持C99的整数类型（stdint.h、inttypes.h）（兼容GCC）》. http://www.cnblogs.com/zyl910/archive/2012/08/08/c99int.html
《[C] zintrin.h: 智能引入intrinsic函数 V1.01版。改进对Mac OS X的支持，增加INTRIN_WORDSIZE宏》. http://www.cnblogs.com/zyl910/archive/2012/10/01/zintrin_v101.html
《[C/C++] ccpuid：CPUID信息模块 V1.03版，改进mmx/sse指令可用性检查（使用signal、setjmp，支持纯C）、修正AVX检查Bug》. http://www.cnblogs.com/zyl910/archive/2012/10/13/ccpuid_v103.html
《[x86]SIMD指令集发展历程表（MMX、SSE、AVX等）》. http://www.cnblogs.com/zyl910/archive/2012/02/26/x86_simd_table.html
《SIMD（MMX/SSE/AVX）变量命名规范心得》. http://www.cnblogs.com/zyl910/archive/2012/04/23/simd_var_name.html
《GCC 64位程序的makefile条件编译心得——32位版与64位版、debug版与release版（兼容MinGW、TDM-GCC）》. http://www.cnblogs.com/zyl910/archive/2012/08/14/gcc64_make.html
《[C#] cmdarg_ui：“简单参数命令行程序”的通用图形界面》. http://www.cnblogs.com/zyl910/archive/2012/06/19/cmdarg_ui.html
《[C] 跨平台使用Intrinsic函数范例1——使用SSE、AVX指令集处理单精度浮点数组求和（支持vc、gcc，兼容Windows、Linux、Mac）》. http://www.cnblogs.com/zyl910/archive/2012/10/22/simdsumfloat.html

源码下载——
https://files.cnblogs.com/zyl910/simdsumdouble.rar

作者：zyl910

出处：http://www.cnblogs.com/zyl910/

相关阅读:
广佛肇城轨年内通车佛山西站预计2017年中通车
 MTK+Android编译
 电量检测芯片BQ27510使用心得
 放大电路的分析方法
 放大电路的分析方法
 模拟电子放大电路分析
 模拟电子技术二极管
 unsigned 整型实现无溢出运算
 hdu 5317 RGCDQ（前缀和）
CodeForces 429 B Working out（递推dp）
原文地址：https://www.cnblogs.com/zyl910/p/simdsumdouble.html

[C] 跨平台使用Intrinsic函数范例2——使用SSE2、AVX指令集 处理 双精度浮点数组求和