此文主要内容来自，本文翻译只求能理解，不求逐句翻译。
正文：
我们将在本文中介绍如何在C++/C中使用SSE指令。我的目的不是用SSE写尽可能快的程序，而是试图讲明白它的使用方法。
什么是SSE？
SSE的全称是 Sreaming SIMD Extensions， 它是一组CPU指令，用于像信号处理、科学计算或者3D图形计算一样的应用。
SIMD 也是几个单词的首写字母组成的： Single Instruction, Multiple Data。 一个指令发出后，同一时刻被放到不同的数据上执行，
这个指令就是SIMD指令。
SSE在1999年首次出现在Pentium 3上。在过去的那段时光里，一些更加精致的功能被加入了这套指令集，
8个128-bit的寄存器被加入了CPU ：xmm0到xmm7.
最初的时候，这些寄存器智能用来做单精度浮点数计算（float），
自从SSE2开始，这些寄存器可以被用来计算任何基本数据类型的数据了。
给定一个标准的32位机器，我们可以并行的存储和计算了：
-- 2 double
-- 2 long
-- 4 float
-- 4 int
-- 8 short
-- 16 char
注意：整数类型可以是有符号也可以是无符号的，不过有时候你可能要用不同的指令来处理他们。
比如，你想计算两个整数数组的和，你可以一次计算四个加法。
简单的例子
开始学习SSE并不是很简单的，幸好写的很好（原作的链接打不开了，新连接是我加上去的）！
如果你看一下那个，一会注意到总有相应的汇编指令与其对应。
另外，一些操作是符合操作，例如那些。
在C++中用SSE真真是一个low-level的操作：我们将直接通过类型
__m128（4个float）、__m128d（2个double）、__m128i(int、short、char)直接控制那些128-bit的寄存器。
不过，为了使用SSE我们不必去声明__m128类型的数组：比如，你想计算一个浮点型数组中每个元素的平方根，
有可以直接将你的数组强制类型转换成__m128*，然后使用SSE的命令操作这个数组。
不管怎样，我们还是要多做一点事情，才能用SSE。大多数SSE操作需要我们的数据是16-bytes对齐的，
这里我们将使用另一个GCC的 Variable attributes。 我们使用对齐属性：
- aligned (alignment)
- This attribute specifies a minimum alignment for the variable or structure field, measured in bytes.
- float a[] __attribute__ ((aligned (16))) = { 41982., 81.5091, 3.14, 42.666 };
- __m128* ptr = (__m128*)a;
- __m128 t = _mm_sqrt_ps(*ptr);
如果用GCC编译器，在编译选项中加入-S选项，产生的汇编代码中相应的汇编语句是SQRTPS，
而且这个指令使用的寄存器就是SSE的寄存器：
- sqrtps %xmm0, %xmm0
不要忘了加上那个头文件：
- #include <emmintrin.h>
第一个评测
在前面的代码中，我们同时计算了4个float的平方根，但是我们没有记录结果。为了记录结果，我们使用_mm_store_ps
在下面的代码中，我们计算一个非常大的float数组的平方根。（作者使用的是他之前写的计时函数，这里我直接贴出来了）
来对程序的标准版本和SSE版计时。
- class Timer
- {
- public:
- Timer(const std::string& name)
- : name_ (name),
- start_ (std::clock())
- {
- }
- ~Timer()
- {
- double elapsed = (double(std::clock() - start_) / double(CLOCKS_PER_SEC));
- std::cout << name_ << ": " << int(elapsed * 1000) << "ms" << std::endl;
- }
- private:
- std::string name_;
- std::clock_t start_;
- };
- #define TIMER(name) Timer timer__(name);
- void normal(float* a, int N)
- {
- for (int i = 0; i < N; ++i)a[i] = sqrt(a[i]);
- }
- void sse(float* a, int N)
- { // We assume N % 4 == 0.
- int nb_iters = N / 4;
- __m128* ptr = (__m128*)a;
- for (int i = 0; i < nb_iters; ++i, ++ptr, a += 4)
- _mm_store_ps(a, _mm_sqrt_ps(*ptr));
- }
- int main(int argc, char** argv)
- {
- if (argc != 2)
- return 1;
- int N = atoi(argv[1]);
- float* a;
- posix_memalign((void**)&a, 16, N * sizeof(float));
- for (int i = 0; i < N; ++i)a[i] = 3141592.65358;
- {
- TIMER("normal");
- normal(a, N);
- }
- for (int i = 0; i < N; ++i)a[i] = 3141592.65358;
- {
- TIMER("SSE");
- sse(a, N);
- }
- }
在上面的SSE的函数代码中，我们用了两个指针指向的是同一个地址，但是使用的类型不同，这当然不是必须的，只是用来避免强制类型转换。
有趣的是，我们必须对__m128每次递增1（128bits），对应的，我们也必须按四递增float指针（就是相当于一次算四个float）。
另一个有趣的函数式 posix_memalign，而不是用align attribute，这个函数是在堆上申请对齐内存，而gcc attribute是在栈上申请内存。
评测环境： llvm-g++ 4.2 (flags: -O3 -msse2) 在Intel Core2 Duo P7350(2GHz)上测试。
- $ ./sqrt 64000000
- normal: 392ms
- SSE: 145ms
真的相当快哈！
第二个评测
怎么将两个char数据加在一起呢：
- void sse(char* a, const char* b, int N)
- {
- int nb_iters = N / 16;
- __m128i* l = (__m128i*)a;
- __m128i* r = (__m128i*)b;
- for (int i = 0; i < nb_iters; ++i, ++l, ++r)
- _mm_store_si128(l, _mm_add_epi8(*l, *r));
- }
评测结果：
- $ ./add 64000000
- normal: 98ms
- SSE: 42ms
性能分析
你可能会问，为什么我们没有得到四倍的加速呢？我们可是一次计算4个float数据啊，怎么我们只有2倍的加速呢？？
答案是，你的编译器很聪明，它已经做了很多优化了，特别是在加入O3选项后。
实际上，如果你看下normal产生的汇编代码，里面的sqrt和add函数都已经被你的编译器给用SSE指令优化了。
编译器检测到循环模式适合SSE，就把这个代码使用SSE指令实现了。
不管怎样，直接使用SSE函数还是可以获得一些性能的。
取决于你的编译器版本，对于这种简单的循环，你发现执行时间上没有差异也是可能的。
但是，这里必须要再提一次的是，我们是介绍怎么用SSE，不是只为了性能~
来源：http://blog.csdn.net/bendanban/article/details/42299863
http://blog.csdn.net/gengshenghong/article/details/7008704