对于大量浮点数运算，用sse指令优化的效果是非常明显的。 vs2010的编译器内置函数([Compiler Intrinsics])支持see指令,所以程序员不必痛苦的用汇编指令来实现sse指令优化,关于详细的sse指令说明参见microsoft的官方文档
Streaming SIMD Extensions (SSE)(点击打开链接)
下面这段代码用简单的循环实现两个浮点数组的点积之和，用sse指令重写之后效率相差4倍多。其实道理也很简单，每条sse指令可以实现128位数的运算,对float型数据，就是4组float同时运算，循环次数减少4倍，效率自然也能提高4倍。
代码语言：javascript复制double dot_product_default(const float* f1, const float* f2) {
double sum = (double) 0.0;
for (unsigned int i = 0; i < CODE_FLOAT_NUM; i )
sum = (*f1 ) * (*f2 );
return sum;
}sse指令优化后的代码
代码语言：javascript复制#include <cstdlib>
#include <cmath>
#include <mmintrin.h>
#pragma pack(16)
//16字节对齐,因为sse是每次处理128位数据，所以代码16字节对齐，才能更好的发挥sse的性能
#ifndef CODE_FLOAT_NUM
#define CODE_FLOAT_NUM 210
#endif
double dot_product_sse(const float* f1, const float* f2) {
__m128* src1=(__m128*)f1;
__m128* src2=(__m128*)f2;
__m128 m1=_mm_setzero_ps();
//CODE_FLOAT_NUM>>2循环次数减少4倍
for (unsigned int i = 0; i < CODE_FLOAT_NUM>>2; i ,src1 ,src2 ){
m1=_mm_add_ps(m1,_mm_mul_ps(*src1,*src2));//4对float相乘后结果累加到m1中
}
#if CODE_FLOAT_NUM%4==1
//如果数据长度不是4的倍数，剩余的1个float要转换后才能用sse指令计算
__m128 t1=_mm_load_ss(*(float*)src1);
__m128 t2=_mm_load_ss(*(float*)src2);
m1=_mm_add_ps(m1,_mm_mul_ps(t1,t2));
#elif CODE_FLOAT_NUM%4==2
//如果数据长度不是4的倍数，剩余的2个float要转换后才能用sse指令计算
__m128 z=_mm_setzero_ps();
__m128 t1=_mm_shuffle_ps(*src1,z,_MM_SHUFFLE(0,0,1,0));//将高位的2个float置0
__m128 t2=_mm_shuffle_ps(*src2,z,_MM_SHUFFLE(0,0,1,0));//将高位的2个float置0
m1=_mm_add_ps(m1,_mm_mul_ps(t1,t2));
#elif CODE_FLOAT_NUM%4==3
//如果数据长度不是4的倍数，剩余的3个float要转换后才能用sse指令计算
__m128 t1=*src1;
__m128 t2=*src2;
t1.m128_f32[3]=0;//将最高的float置0
t2.m128_f32[3]=0;//将最高的float置0
m1=_mm_add_ps(m1,_mm_mul_ps(t1,t2));
#endif
return m1.m128_f32[0] m1.m128_f32[1] m1.m128_f32[2] m1.m128_f32[3];
//最后将4个float的累加合再累加作为返回值
}关于哪些cpu支持sse指令的问题，这个不用太担心，intel的cpu在386以后都支持了，所有基于x86架构的cpu都支持sse(包括amd或其他品牌). 也可以通过程序检测cpu是否支持sse，参见
C 环境测试CPU是否支持MMX，SSE等(点击打开链接)
gcc编译也支持sse，调用方法也差不多，还在实现中。
