3. 数据类型与寄存器：__m128, __m128i, __m128d 与命名规则
好，咱们直接上手。
SSE 指令操作的不是普通变量，而是 128 位的“大块头”数据。
在 C/C++ 里，这些数据类型长得像这样：__m128、__m128i、__m128d。
说白了，它们就是给编译器看的“包装纸”，告诉它：嘿，这是个 128 位的家伙，你得把它塞进 XMM 寄存器里。
3.1 三种数据类型，各司其职
我第一次接触 SSE 时就踩过坑——把整数数据用 __m128 去存，结果编译报错，因为类型不匹配。后来才明白，每种类型对应不同的指令集。
| 数据类型 | 含义 | 包含元素 | 典型用途 |
|---|---|---|---|
__m128 | 单精度浮点 | 4 × float | 图形、音频、通用 SIMD 浮点运算 |
__m128d | 双精度浮点 | 2 × double | 科学计算、高精度矩阵 |
__m128i | 整数（无类型区分） | 16 × char / 8 × short / 4 × int / 2 × long long | 图像处理、数据打包、位运算 |
注意：__m128i 本身不携带“每个元素是什么类型”的信息。你用它存 4 个 int 还是 8 个 short，全看你自己怎么用指令解释。我曾在项目里不小心把 16 字节的 char 数组当成 int 数组去算，结果跑出来全是乱码……嗯，调试了一天。
__m128i 做整数操作，最后用 _mm_cvtepi32_ps 这类转换指令再转成 __m128。不要来回转换，损失性能。
3.2 寄存器命名规则：从 xmm0 到 xmm15
SSE 的寄存器叫 XMM，每个 128 位。
在 64 位模式下，你有 16 个 XMM 寄存器：xmm0 ~ xmm15。
32 位模式只有 8 个：xmm0 ~ xmm7。
你可能会问：编译器会自动选择寄存器，我需要操心吗？
当然要。虽然我们能直接写 __m128 a, b; 让编译器分配，但在内联汇编或手写 SIMD 指令时，寄存器名称就是你的武器。
| 模式 | 可用寄存器 | 备注 |
|---|---|---|
| 32 位（IA-32） | xmm0 ~ xmm7 | 函数调用前 8 个参数用 xmm0-xmm3（浮点） |
| 64 位（x86-64） | xmm0 ~ xmm15 | 前 8 个参数用 xmm0-xmm7，其余压栈 |
有个常见坑：在 32 位下写代码，用了 xmm8，编译不报错但运行崩溃。我见过别人把 Linux 内核的 SSE 代码直接搬到 32 位 Windows，结果程序一碰 SSE 就非法指令……其实就是寄存器超范围了。
xmm6 ~ xmm7 的内容，如果你在函数里使用了这些寄存器，必须自己用 _mm_sfence 或手动压栈。偷懒的话，就在 64 位下开发吧。
3.3 数据对齐：128 位是个硬门槛
SSE 的 load/store 指令对内存对齐很敏感。
__m128 类型的变量默认要求 16 字节对齐。如果你用一个 4 字节对齐的 float 数组直接强制类型转换，然后 _mm_load_ps —— 砰，段错误。
我早期写图像算法时就这么干过，结果公司测试服务器直接 segfault，还是同事帮我查出来是对齐问题。
解决办法有两种：
- 静态分配：用
__declspec(align(16))（MSVC）或__attribute__((aligned(16)))（GCC/Clang）。 - 动态分配：用
_mm_malloc/_mm_free，它会返回 16 字节对齐的内存。
举个例子：
// 静态对齐
__declspec(align(16)) float arr[4] = {1.0f, 2.0f, 3.0f, 4.0f};
__m128 a = _mm_load_ps(arr); // 安全
// 动态对齐
float* buf = (float*)_mm_malloc(16 * sizeof(float), 16);
// ... 使用 buf ...
_mm_free(buf);
_mm_loadu_ps（未对齐加载），性能损失通常 10%~20%。在调试阶段先用 loadu 保证不崩，再回头优化对齐版本。
3.4 知识点脉络图
下面这张图把数据类型、寄存器、对齐三个核心概念串起来——
3.5 实战中的选择优先级
遇到实际问题时，怎么选？我总结了一个简单的思路：
- 先看数据精度：如果精度不是特别高，一律用
__m128（单精度）。双精度吞吐率只有单精度的一半，还占带宽。 - 整型一定要用 __m128i：不要试图用
__m128存整数再转，指令会乱套。 - 寄存器不够时：在 64 位下先用到
xmm15，尽量少在循环内压栈。
举个例子，做一个简单的向量加法：
__m128 a = _mm_load_ps(&A[0]);
__m128 b = _mm_load_ps(&B[0]);
__m128 c = _mm_add_ps(a, b);
_mm_store_ps(&C[0], c);
这行代码里，a、b、c 都会被编译器分配到 xmm0 ~ xmm2。但如果你的函数外面还嵌套了循环，最好显式用 register __m128 或依靠编译器优化。我个人习惯用 __m128 局部变量，让编译器自己做重命名。
__m128i 传给 _mm_add_ps，编译器会报错；你把未对齐的指针传给 _mm_load_ps，运行时会崩溃。这三者（类型、寄存器、对齐）是铁三角，缺一个都跑不快。
3.6 常见误区速查表
| 误区 | 后果 | 正确做法 |
|---|---|---|
用 __m128 存储整型数据 | 类型不匹配，编译失败 | 用 __m128i，之后用转换指令 |
在 32 位模式下使用 xmm8+ | 非法指令异常 | 检查 #ifdef __x86_64__ |
| 忽略 16 字节对齐 | 段错误 或 性能骤降 | 使用 _mm_malloc 或对齐属性 |
混合 load 和 loadu | 有时崩溃，有时慢 | 统一用 load，仅对不保证对齐的用 loadu |
你看，这些问题基本都是我刚学 SSE 时一步步踩出来的。记牢了，后面写向量化代码会顺很多。