第2章：数据类型与寄存器——SSE 的三驾马车
做 SSE 优化，第一个门槛就是搞懂那三个看着眼生的类型。__m128、__m128d、__m128i，还有它们背后的 XMM 寄存器。你想想看，寄存器就那么多，怎么把不同类型的数据塞进去？又怎么保证不出错？我当年第一次写 SSE 代码时，就是因为混用了类型，结果跑出来的数据全是乱码，查了两天才发现——嗯，类型不匹配。
2.1 三个核心类型：专治各种数据
SSE 指令集的本质，就是一次性操作 128 位的数据。但 128 位能装的东西太多样了：4 个 float、2 个 double、16 个 byte、8 个 short、4 个 int、2 个 long long……所以 Intel 给了我们三个 C 语言层面的“包装类型”。
| 类型 | 容纳内容 | 对应寄存器视作 | 常用场景 |
|---|---|---|---|
__m128 | 4 × 单精度浮点 (float) | 128 位，4 个 32 位 float | 图形、音频浮点运算 |
__m128d | 2 × 双精度浮点 (double) | 128 位，2 个 64 位 double | 科学计算、高精度模拟 |
__m128i | 整数（任意子宽度的整数） | 128 位，内部格式由你定 | 整数向量化、编解码、哈希 |
关键区别：__m128 和 __m128d 参与算术运算时，编译器直接帮你排好顺序；__m128i 是“裸”的 128 位，你得自己告诉指令怎么切分（比如 _mm_add_epi32 认为切成了 4 个 int32）。
我的经验：如果数据全是 float，就老老实实用 __m128。别为了省代码把 float 强转成 __m128i 再做算术——不仅慢，还容易踩不对齐的坑。我曾经在优化一个 3D 变换库时试过，结果每条指令都得加 cast，寄存器分配也乱套了，后来全部改回 __m128，性能反而提升了 15%。
2.2 XMM 寄存器：真家伙长什么样
你写的 __m128 a;，编译器会在背后帮你分配一个 XMM 寄存器（xmm0 ~ xmm15，64 位模式下）。每个 XMM 寄存器物理上就是 128 位，不带类型。类型信息只在 C 语言的编译期有用，运行时它就是一串 0 和 1。
所以使用规范第一条：
- 不能乱取地址：
&__m128不是返回 XMM 寄存器的地址，而是内存中的临时变量。真正的寄存器没有内存地址。 - 传递参数要小心：按值传递
__m128会触发寄存器拷贝（movaps/movdqa），性能损失不大，但引用传递可能导致编译器无法内联。 - 避免混合类型赋值：
__m128 a = __m128i b;不合法，必须用_mm_castsi128_ps系列函数做 bitcast。
千万不要这样做：
__m128i vi = _mm_set1_epi32(42);
__m128 vf = (__m128)vi; // 直接强转？编译器可能报错或生成错误的mov正确写法是 vf = _mm_castsi128_ps(vi);，它在寄存器层面什么都不做，只是告诉编译器“把里面的位当作浮点数”。
2.3 数据类型、对齐与内存操作
SSE 对内存对齐非常敏感。默认情况，__m128 对象按 16 字节对齐，如果你用 malloc（只保证 8 字节对齐）然后强转成 __m128*，那就能品尝到 segfault 的滋味了。我有个血泪教训：优化网络包解析时，用 new 分配了一个结构体，里面嵌了 __m128，结果 VS 没给我自动对齐，debug 版跑得好好的，release 版一跑就崩，查了一天发现是 movaps 要求的对齐没能满足。
所以内存操作的规矩就三条：
- 尽量用栈上的局部变量（编译器自动对齐）。
- 必须用堆时，用
_mm_malloc或aligned_alloc，指定 16 字节（或 32 字节，如果你在走 AVX）。 - 加载/存储用匹配的 intrinsic：
_mm_load_ps要求地址 16 字节对齐，_mm_loadu_ps不要求，但慢一点。
速记：对齐 → load / store；不对齐 → loadu / storeu。如果你确保对齐，就用不带 u 的版本，一条指令完成；否则用带 u 的，可能会多几条 uop。我一般在热路径里尽量做对齐，实在不行才用 loadu。
2.4 一张图理顺关系
2.5 实战中我怎么选
讲个实际案例。我在做视频编码的色彩空间转换时，数据流是这样的：
- 像素值用
uint8_t存储，但运算需要int16或float。 - 如果做整数变换（比如色度子采样），我用
__m128i配合_mm_loadu_si128加载 16 个 byte，然后_mm_unpacklo_epi8/_mm_unpackhi_epi8转成 16 位。 - 如果做浮点色彩校正，我先用
_mm_cvtepu8_epi32把字节扩展到 int32，再转成 float，装进__m128去算。
你看，__m128i 更像一个“中间载体”，__m128 才是计算主力。双精度场景我用得少，但做物理模拟的同学天天跟它打交道——两倍精度换来一半的向量宽度，取舍你要想清楚。
我最常用的几个 intrinsic（新手必背）：_mm_set1_ps / _mm_loadu_ps / _mm_add_ps / _mm_mul_ps / _mm_storeu_ps。先练熟这五个，再深入其他。数据类型搞对了，性能调优就成功了一半。