C++ 我是否最有效地使用SSE资源？

我有这段代码来找出关键点的多少像素位于低/高范围。 低-高矩阵由输入大矩阵生成。我必须输出低/高坐标，其中匹配像素数大于150（256）

int8_t high[8192][8192]；
国际贸易低潮[8192][8192]；
国际8_t键[16][16]
对于（iTi＝0；i当达到优化时，不要对目标/生产环境进行猜测、测量和测量。对于简单的算法，瓶颈通常是在内存带宽上，因此您可以考虑在加载和保存之间做其他事情。也可以通过重新排序和交织来减少到一个比较而不是2个比较+合并结果。循环到：

num_1  = loadu(hLoc); hLoc++;
num_2  = loadu(hLoc); hLoc++;
low_1  = loadu(kLoc); kLoc++;
low_2  = loadu(kLoc); kLoc++;
high_1 = loadu(lLoc); lLoc++;
high_2 = loadu(lLoc); lLoc++;

num1   = mm_sub(low1)
num2   = mm_sub(low2)
cmp num1, high1
cmp num2, high2

store num1
store num2

您可能还希望将kLoc、lLoc、hLoc移到循环之外，并执行增量（即kLoc++）如上所述，有些编译器非常愚蠢，生成的代码可以计算每个循环中的地址。
您可以轻松展开循环以执行多个SSE寄存器输出，这样您就可以使用更多寄存器，但大多数情况下，这并不重要。也许您可以发布更多代码，以显示您在这里真正做了什么。（请注意，对齐阵列可能会导致速度加快，因为这样您就可以使用对齐的加载。）@Christopher问题是，如果我使用未对齐的加载，我一次处理16字节（16X），而如果使用16位对齐，则一次处理16字节（8X）。我认为这可能是错误的。字节对齐。而不是位对齐。因此，如果使用
\u declspec（align（16））int8_t key[16][16]；
，您可以使用“加载”si128（kLoc）进行加载，这可以提高速度。@Christopher我正在使用“加载”属性（…）用于对齐和使用_mm_load_si128，但随后
_mm_cmpgt
会因崩溃的Post代码而失败。_mm_cmpgt在您给它寄存器时不会崩溃。您可以给它一个地址，然后它会用对齐的加载该地址（当您传递未对齐的地址时，它会崩溃）
num_1  = loadu(hLoc); hLoc++;
num_2  = loadu(hLoc); hLoc++;
low_1  = loadu(kLoc); kLoc++;
low_2  = loadu(kLoc); kLoc++;
high_1 = loadu(lLoc); lLoc++;
high_2 = loadu(lLoc); lLoc++;

num1   = mm_sub(low1)
num2   = mm_sub(low2)
cmp num1, high1
cmp num2, high2

store num1
store num2