C++ 我是否必须对齐数据才能将此函数矢量化？

我有此函数，Intel Advisor强烈建议将其矢量化：

void SIFTDescriptor::samplePatch(float *vec)
{
   for (int r = 0; r < par.patchSize; ++r)
   {
      const int br0 = par.spatialBins * bin0[r]; const float wr0 = w0[r];
      const int br1 = par.spatialBins * bin1[r]; const float wr1 = w1[r];
      for (int c = 0; c < par.patchSize; ++c)
      {
         const float val = mask.at<float>(r,c) * grad.at<float>(r,c);

         const int bc0 = bin0[c];
         const float wc0 = w0[c]*val;
         const int bc1 = bin1[c];
         const float wc1 = w1[c]*val;

         // ori from atan2 is in range <-pi,pi> so add 2*pi to be surely above zero
         const float o = float(par.orientationBins)*(ori.at<float>(r,c) + 2*M_PI)/(2*M_PI);

         int   bo0 = (int)o;
         const float wo1 =  o - bo0;
         bo0 %= par.orientationBins;

         int   bo1 = (bo0+1) % par.orientationBins;
         const float wo0 = 1.0f - wo1;

         // add to corresponding 8 vec...
         if (wr0*wc0>0) {
             vec[br0+bc0+bo0] += wr0*wc0 * wo0;
             vec[br0+bc0+bo1] += wr0*wc0 * wo1;
         }
         if (wr0*wc1>0) {
             vec[br0+bc1+bo0] += wr0*wc1 * wo0;
             vec[br0+bc1+bo1] += wr0*wc1 * wo1;
         }
         if (wr1*wc0>0) {
             vec[br1+bc0+bo0] += wr1*wc0 * wo0;
             vec[br1+bc0+bo1] += wr1*wc0 * wo1;
         }
         if (wr1*wc0>0) {
             vec[br1+bc1+bo0] += wr1*wc0 * wo0;
             vec[br1+bc1+bo1] += wr1*wc0 * wo1;
         }
      }
   }
}

但是，“英特尔顾问”告诉我，中有两种先读后写的依赖项：

 vec[br0+bc0+bo0] += wr0*wc0 * wo0;

以及：

现在，我是simd的初学者，根据我的理解，我必须编写SSE/AVX2/AVX-512指令来解决这个依赖关系。例如，我发现了一个问题，在哪里解释了如何在数组单元格中保存累积和。这有点不同，因为我想将累积结果的结果保存在数组的元素中（

vec[something]

，而不是像

result

这样的标量变量）

然而，在第二个问题的答案中，解释了为了使用代码，我们需要对齐的数据。由于

vec

是指向

cv:：Mat

对象的指针，因此我并不认为数据是对齐的

在回答这个问题时，有人争辩说，是否需要对齐的数据来解决我的问题。换句话说，我担心我陷入了XY问题，我正集中精力在（可能）实际不需要的地方对齐数据（特别是因为我是simd初学者，我害怕过度思考）

---

注意：我使用的是一台与AVX2兼容的机器，我计划随后转移到一台AVX-512机器。

看起来您对内部c-loop有一个非常严格的交叉迭代依赖关系。这是一个基本的算法特征（特别是因为bo0是c的一个变量和不可预测的函数），因此对齐数据无助于解决基本问题。纯形式的简单simd简化也不起作用。作为第一个简单的尝试，我可能会做的是在外部r环上做矢量化。尝试将#pragma simd放在第一个for循环语句（r-loop）之前。正式地说，在这样做之前，您需要检查r-loop（而不是c-loop）的Advisor依赖关系。我知道向量大小是128。那么，如果我创建8个不同的向量（每个累加向量+=）并在最后求和，会怎么样？这将解决依赖关系，对吗？请注意，两个for循环的范围都是41（所以1681次迭代），看起来内部c循环的交叉迭代依赖性非常强。这是一个基本的算法特征（特别是因为bo0是c的一个变量和不可预测的函数），因此对齐数据无助于解决基本问题。纯形式的简单simd简化也不起作用。作为第一个简单的尝试，我可能会做的是在外部r环上做矢量化。尝试将#pragma simd放在第一个for循环语句（r-loop）之前。正式地说，在这样做之前，您需要检查r-loop（而不是c-loop）的Advisor依赖关系。我知道向量大小是128。那么，如果我创建8个不同的向量（每个累加向量+=）并在最后求和，会怎么样？这将解决依赖关系，对吗？请注意，两个for循环的范围都是41（所以1681次迭代）

 vec[br0+bc0+bo0] += wr0*wc0 * wo0;

 vec[br1+bc0+bo0] += wr1*wc0 * wo0;