在helpful but somewhat dated 2006 年 11 月关于使用 vDSP 对代码进行矢量化的文章中，作者声明：
要记住的重要一点是，只有使用 步幅等于 1 将提供极快的矢量化代码。
今天仍然如此吗？即使在具有更强大矢量内在函数的较新 Intel 处理器上？
我之所以问，是因为我正在编写一些矩阵数学例程，并且刚刚开始将它们全部切换为使用 Fortran 之类的列优先排序，以努力成为更容易与 MATLAB、BLAS 和 LAPACK 兼容。但现在我发现我对 vDSP 的一些调用需要处理不再连续的向量……
目前，这些 vDSP 调用是我的代码执行的瓶颈例程。并不是说这将总是如此，但至少现在我不想放慢它们的速度，只是为了更简单地调用那些其他库。
我现在最常调用的 vDSP 例程是 vDSP_distancesq，以防万一。
【问题讨论】：
标签： performance vectorization intrinsics vdsp vmat
仍然正确。 AFAIK（从 SSE4.x 开始，我认为 AVX 不会改变这一点）SSE 内存加载指令仅加载连续块。
您可以以 2 的步幅进行矢量化，但需要一些额外的混洗操作。
为了一次从缓存中加载整个 SSE 寄存器，这实际上是一个适合同一缓存行的问题。 （而且内存的数量 -> 缓存传输对性能更为关键）。
为了支持 scatter-gather SSE，需要大更新的不是 SIMD 指令，而是缓存和内存控制器。
【讨论】：
gemm 和gemv 只接受（小）步幅= 1 的数组吗？我一直想知道为什么它没有实现（小）步幅 > 1。我理解性能损失，但是对于小步幅，比如 2 或 3，它应该是可能的并且仍然会有所收获。
是的。
如果有充分的理由，我们（Apple 的 Vector and Numerics Group）可以为某些其他步幅添加优化。例如，对于 2 步长，在某些处理器模型上，我们会照常加载向量块，但然后使用各种置换指令仅提取每个其他元素。这将导致代码不如单元步长代码快，但会比当前代码快。这并不经常这样做，因为通常还有其他更好的方法，例如将跨步数据复制到单位跨度缓冲区，在缓冲区上执行多个 vDSP 操作，然后将数据复制回来。
您描述的案例似乎不适合专门研究非单位步幅。如果您正在对数组的连续列执行多个 vDSP_distancesq 操作，最好并行执行（一次多列）而不是串行执行（所有列，然后是另一列，...）。如果您只对隔离列执行单个 vDSP_distancesq 操作，则还有其他问题。矩阵上的列操作因缓存问题而臭名昭著，尤其是当每行的字节数是 2 的相当大的幂的倍数时。该操作可能会受到内存负载的限制，因此编写专门的代码来优化计算可能没有任何好处。
【讨论】：