[C] 跨平台使用Intrinsic函数范例3——使用MMX、SSE2指令集 处理 32位整数数组求和

作者：zyl910。

　　本文面对对SSE等SIMD指令集有一定基础的读者，以32位整数数组求和为例演示了如何跨平台使用MMX、SSE2指令集。支持vc、gcc编译器，在Windows、Linux、Mac这三大平台上成功运行。

 

一、关键讲解

　　前文（http://www.cnblogs.com/zyl910/archive/2012/10/22/simdsumfloat.html）演示了如何使用SSE、AVX指令集 处理 单精度浮点数组求和。现在对其进行改造，使用MMX、SSE2指令集 处理 32位整数数组求和。因程序基本上差不多，文本就不详细讲解了，只说关键变化。

1.1 指令集简介

　　先来看看支持32位整数的SIMD的指令集——
MMX指令集支持多种整数类型的运算。MMX定义了64位紧缩整数类型，，对应Intrinsic中的__m64类型，它能一次能处理2个32位整数。
SSE指令集只支持单精度浮点运算，直到SSE2指令集才支持双精度浮点数运算。SSE2定义了128位紧缩整数类型，对应Intrinsic中的__m128i类型，它能一次能处理4个32位整数。
AVX指令集只支持单精度和双精度浮点运算。据说2013年Haswell架构中的AVX2指令集才支持整数运算。

1.2 改造为 SSE2的32位整数代码

　　在使用Intrinsic函数时，将 SSE的单精度浮点代码 改造为 SSE2的32位整数代码是很方便的。对比前文与本文的数组求和代码，变更的地方有——

float			int32_t			备注
指令	Intrinsic	Asm	指令	Intrinsic	Asm
			MMX	__m64	MMWORD	类型
				_mm_setzero_si64	PXOR	赋0
				*	MOVQ	加载
				_mm_add_pi32	PADDD	加法
SSE	__m128	XMMWORD	SSE2	__m128i	XMMWORD	类型
	_mm_setzero_ps	XORPS		_mm_setzero_si128	PXOR	赋0
	_mm_load_ps	MOVAPS		_mm_load_si128	MOVQ	加载
	_mm_add_ps	ADDPS		_mm_add_epi32	PADDD	加法
AVX	__m256	YMMWORD				类型
	_mm256_setzero_ps	VXORPS				赋0
	_mm256_load_ps	VMOVAPS				加载
	_mm256_add_ps	VADDPS				加法

　　其次，还需要调整一下地址计算。因_mm_load_si128与_mm_load_ps不同，是直接采用__m128i指针一次性处理128位，而不是以元素宽度（如float、int32_t），所以循环与地址计算的代码有较大变化——
1. p指针的类型由“const float*”变为“const __m128i*”。为了适应_mm_load_si128。
2. q指针的含义发生了变化。现在作为单个数据处理时所用指针，即处理SIMD结果的合并，又处理剩下的数据。
3. p指针移动时直接“p++”。而四路循环版中移动指针是“p+=4”，加载时可以写成“_mm_load_si128(p+1)”，地址计算也很方便。

　　例如sumfloat_sse与sumint_sse——

// 单精度浮点数组求和_SSE版.
float sumfloat_sse(const float* pbuf, size_t cntbuf)
{
    float s = 0;    // 求和变量.
    size_t i;
    size_t nBlockWidth = 4;    // 块宽. SSE寄存器能一次处理4个float.
    size_t cntBlock = cntbuf / nBlockWidth;    // 块数.
    size_t cntRem = cntbuf % nBlockWidth;    // 剩余数量.
    __m128 xfsSum = _mm_setzero_ps();    // 求和变量。[SSE] 赋初值0
    __m128 xfsLoad;    // 加载.
    const float* p = pbuf;    // SSE批量处理时所用的指针.
    const float* q;    // 将SSE变量上的多个数值合并时所用指针.

    // SSE批量处理.
    for(i=0; i<cntBlock; ++i)
    {
        xfsLoad = _mm_load_ps(p);    // [SSE] 加载
        xfsSum = _mm_add_ps(xfsSum, xfsLoad);    // [SSE] 单精浮点紧缩加法
        p += nBlockWidth;
    }
    // 合并.
    q = (const float*)&xfsSum;
    s = q[0] + q[1] + q[2] + q[3];

    // 处理剩下的.
    for(i=0; i<cntRem; ++i)
    {
        s += p[i];
    }

    return s;
}

// 32位整数数组求和_SSE版.
int32_t sumint_sse(const int32_t* pbuf, size_t cntbuf)
{
    int32_t s = 0;    // 求和变量.
    size_t i;
    size_t nBlockWidth = 4;    // 块宽. SSE寄存器能一次处理4个int32_t.
    size_t cntBlock = cntbuf / nBlockWidth;    // 块数.
    size_t cntRem = cntbuf % nBlockWidth;    // 剩余数量.
    __m128i xidSum = _mm_setzero_si128();    // 求和变量。[SSE2] PXOR. 赋初值0.
    __m128i xidLoad;    // 加载.
    const __m128i* p = (const __m128i*)pbuf;    // SSE批量处理时所用的指针.
    const int32_t* q;    // 单个数据处理时所用指针.

    // SSE批量处理.
    for(i=0; i<cntBlock; ++i)
    {
        xidLoad = _mm_load_si128(p);    // [SSE2] MOVDQA. 加载.
        xidSum = _mm_add_epi32(xidSum, xidLoad);    // [SSE2] PADDD. 32位整数紧缩环绕加法.
        p ++;
    }
    // 合并.
    q = (const int32_t*)&xidSum;
    s = q[0] + q[1] + q[2] + q[3];

    // 处理剩下的.
    q = (const int32_t*)p;
    for(i=0; i<cntRem; ++i)
    {
        s += q[i];
    }

    return s;
}

 

1.3 改造为 MMX版

　　将SSE2版代码 改造为 MMX版代码也很方便，按照上一节的表格换用不同的数据类型和函数名，然后再调整一下地址计算就差不多了。

　　只不过有两点要注意——
1. MMX运算结束后，要记得调用_mm_empty（EMMS）清理MMX状态，使后续的浮点运算（FPU）能正常运行。
2. MMX Intrinsic中没有提供_mm_load_si64这样的函数，要想从内存中加载数据到__m64变量，可以直接使用“*（指针）”运算符加载数据，但要保证地址是按8字节对齐的。

　　例如sumint_mmx函数（可与上一节的sumint_sse函数进行比较）——

// 32位整数数组求和_MMX版.
int32_t sumint_mmx(const int32_t* pbuf, size_t cntbuf)
{
    int32_t s = 0;    // 求和变量.
    size_t i;
    size_t nBlockWidth = 2;    // 块宽. MMX寄存器能一次处理2个int32_t.
    size_t cntBlock = cntbuf / nBlockWidth;    // 块数.
    size_t cntRem = cntbuf % nBlockWidth;    // 剩余数量.
    __m64 midSum = _mm_setzero_si64();    // 求和变量。[MMX] PXOR, 赋初值0.
    __m64 midLoad;    // 加载.
    const __m64* p = (const __m64*)pbuf;    // MMX批量处理时所用的指针.
    const int32_t* q;    // 单个数据处理时所用指针.

    // MMX批量处理.
    for(i=0; i<cntBlock; ++i)
    {
        midLoad = *p;    // [MMX] MOVQ. 加载.
        midSum = _mm_add_pi32(midSum, midLoad);    // [MMX] PADDD. 32位整数紧缩环绕加法.
        p ++;
    }
    // 合并.
    q = (const int32_t*)&midSum;
    s = q[0] + q[1];

    // 处理剩下的.
    q = (const int32_t*)p;
    for(i=0; i<cntRem; ++i)
    {
        s += q[i];
    }

    // 清理MMX状态.
    _mm_empty();    // [MMX] EMMS.

    return s;
}

 

1.4 环境检查

　　最后，别忘了检查环境——
INTRIN_MMX、INTRIN_SSE2 宏是 zintrin.h 提供的，可用来在编译时检测编译器是否支持MMX、SSE2指令集。
simd_mmx、simd_sse_level函数是 ccpuid.h 提供的，可用来在运行时检测当前系统环境是否支持MMX、SSE2指令集。

二、全部代码

2.1 simdsumint.c

　　全部代码——

#define __STDC_LIMIT_MACROS    1    // C99整数范围常量. [纯C程序可以不用, 而C++程序必须定义该宏.]

#include <stdlib.h>
#include <stdio.h>
#include <time.h>

#include "zintrin.h"
#include "ccpuid.h"


// Compiler name
#define MACTOSTR(x)    #x
#define MACROVALUESTR(x)    MACTOSTR(x)
#if defined(__ICL)    // Intel C++
#  if defined(__VERSION__)
#    define COMPILER_NAME    "Intel C++ " __VERSION__
#  elif defined(__INTEL_COMPILER_BUILD_DATE)
#    define COMPILER_NAME    "Intel C++ (" MACROVALUESTR(__INTEL_COMPILER_BUILD_DATE) ")"
#  else
#    define COMPILER_NAME    "Intel C++"
#  endif    // #  if defined(__VERSION__)
#elif defined(_MSC_VER)    // Microsoft VC++
#  if defined(_MSC_FULL_VER)
#    define COMPILER_NAME    "Microsoft VC++ (" MACROVALUESTR(_MSC_FULL_VER) ")"
#  elif defined(_MSC_VER)
#    define COMPILER_NAME    "Microsoft VC++ (" MACROVALUESTR(_MSC_VER) ")"
#  else
#    define COMPILER_NAME    "Microsoft VC++"
#  endif    // #  if defined(_MSC_FULL_VER)
#elif defined(__GNUC__)    // GCC
#  if defined(__CYGWIN__)
#    define COMPILER_NAME    "GCC(Cygmin) " __VERSION__
#  elif defined(__MINGW32__)
#    define COMPILER_NAME    "GCC(MinGW) " __VERSION__
#  else
#    define COMPILER_NAME    "GCC " __VERSION__
#  endif    // #  if defined(_MSC_FULL_VER)
#else
#  define COMPILER_NAME    "Unknown Compiler"
#endif    // #if defined(__ICL)    // Intel C++


//////////////////////////////////////////////////
// sumint: 32位整数数组求和的函数
//////////////////////////////////////////////////

// 32位整数数组求和_基本版.
//
// result: 返回数组求和结果.
// pbuf: 数组的首地址.
// cntbuf: 数组长度.
int32_t sumint_base(const int32_t* pbuf, size_t cntbuf)
{
    int32_t s = 0;    // 求和变量.
    size_t i;
    for(i=0; i<cntbuf; ++i)
    {
        s += pbuf[i];
    }
    return s;
}

#ifdef INTRIN_MMX
// 32位整数数组求和_MMX版.
int32_t sumint_mmx(const int32_t* pbuf, size_t cntbuf)
{
    int32_t s = 0;    // 求和变量.
    size_t i;
    size_t nBlockWidth = 2;    // 块宽. MMX寄存器能一次处理2个int32_t.
    size_t cntBlock = cntbuf / nBlockWidth;    // 块数.
    size_t cntRem = cntbuf % nBlockWidth;    // 剩余数量.
    __m64 midSum = _mm_setzero_si64();    // 求和变量。[MMX] PXOR, 赋初值0.
    __m64 midLoad;    // 加载.
    const __m64* p = (const __m64*)pbuf;    // MMX批量处理时所用的指针.
    const int32_t* q;    // 单个数据处理时所用指针.

    // MMX批量处理.
    for(i=0; i<cntBlock; ++i)
    {
        midLoad = *p;    // [MMX] MOVQ. 加载.
        midSum = _mm_add_pi32(midSum, midLoad);    // [MMX] PADDD. 32位整数紧缩环绕加法.
        p ++;
    }
    // 合并.
    q = (const int32_t*)&midSum;
    s = q[0] + q[1];

    // 处理剩下的.
    q = (const int32_t*)p;
    for(i=0; i<cntRem; ++i)
    {
        s += q[i];
    }

    // 清理MMX状态.
    _mm_empty();    // [MMX] EMMS.

    return s;
}

// 32位整数数组求和_MMX四路循环展开版.
int32_t sumint_mmx_4loop(const int32_t* pbuf, size_t cntbuf)
{
    int32_t s = 0;    // 返回值.
    size_t i;
    size_t nBlockWidth = 2*4;    // 块宽. MMX寄存器能一次处理2个int32_t，然后循环展开4次.
    size_t cntBlock = cntbuf / nBlockWidth;    // 块数.
    size_t cntRem = cntbuf % nBlockWidth;    // 剩余数量.
    __m64 midSum = _mm_setzero_si64();    // 求和变量。[MMX] PXOR, 赋初值0.
    __m64 midSum1 = _mm_setzero_si64();
    __m64 midSum2 = _mm_setzero_si64();
    __m64 midSum3 = _mm_setzero_si64();
    __m64 midLoad;    // 加载.
    __m64 midLoad1;
    __m64 midLoad2;
    __m64 midLoad3;
    const __m64* p = (const __m64*)pbuf;    // MMX批量处理时所用的指针.
    const int32_t* q;    // 单个数据处理时所用指针.

    // SSE批量处理.
    for(i=0; i<cntBlock; ++i)
    {
        midLoad = *p;    // [MMX] MOVQ. 加载.
        midLoad1 = *(p+1);
        midLoad2 = *(p+2);
        midLoad3 = *(p+3);
        midSum = _mm_add_pi32(midSum, midLoad);    // [MMX] PADDD. 32位整数紧缩环绕加法.
        midSum1 = _mm_add_pi32(midSum1, midLoad1);
        midSum2 = _mm_add_pi32(midSum2, midLoad2);
        midSum3 = _mm_add_pi32(midSum3, midLoad3);
        p += 4;    // 四路循环展开.
    }
    // 合并.
    midSum = _mm_add_pi32(midSum, midSum1);    // 两两合并(0~1).
    midSum2 = _mm_add_pi32(midSum2, midSum3);    // 两两合并(2~3).
    midSum = _mm_add_pi32(midSum, midSum2);    // 两两合并(0~3).
    q = (const int32_t*)&midSum;
    s = q[0] + q[1];

    // 处理剩下的.
    q = (const int32_t*)p;
    for(i=0; i<cntRem; ++i)
    {
        s += q[i];
    }

    // 清理MMX状态.
    _mm_empty();    // [MMX] EMMS.

    return s;
}
#endif    // #ifdef INTRIN_MMX


#ifdef INTRIN_SSE2
// 32位整数数组求和_SSE版.
int32_t sumint_sse(const int32_t* pbuf, size_t cntbuf)
{
    int32_t s = 0;    // 求和变量.
    size_t i;
    size_t nBlockWidth = 4;    // 块宽. SSE寄存器能一次处理4个int32_t.
    size_t cntBlock = cntbuf / nBlockWidth;    // 块数.
    size_t cntRem = cntbuf % nBlockWidth;    // 剩余数量.
    __m128i xidSum = _mm_setzero_si128();    // 求和变量。[SSE2] PXOR. 赋初值0.
    __m128i xidLoad;    // 加载.
    const __m128i* p = (const __m128i*)pbuf;    // SSE批量处理时所用的指针.
    const int32_t* q;    // 单个数据处理时所用指针.

    // SSE批量处理.
    for(i=0; i<cntBlock; ++i)
    {
        xidLoad = _mm_load_si128(p);    // [SSE2] MOVDQA. 加载.
        xidSum = _mm_add_epi32(xidSum, xidLoad);    // [SSE2] PADDD. 32位整数紧缩环绕加法.
        p ++;
    }
    // 合并.
    q = (const int32_t*)&xidSum;
    s = q[0] + q[1] + q[2] + q[3];

    // 处理剩下的.
    q = (const int32_t*)p;
    for(i=0; i<cntRem; ++i)
    {
        s += q[i];
    }

    return s;
}

// 32位整数数组求和_SSE四路循环展开版.
int32_t sumint_sse_4loop(const int32_t* pbuf, size_t cntbuf)
{
    int32_t s = 0;    // 返回值.
    size_t i;
    size_t nBlockWidth = 4*4;    // 块宽. SSE寄存器能一次处理4个int32_t，然后循环展开4次.
    size_t cntBlock = cntbuf / nBlockWidth;    // 块数.
    size_t cntRem = cntbuf % nBlockWidth;    // 剩余数量.
    __m128i xidSum = _mm_setzero_si128();    // 求和变量。[SSE2] PXOR. 赋初值0.
    __m128i xidSum1 = _mm_setzero_si128();
    __m128i xidSum2 = _mm_setzero_si128();
    __m128i xidSum3 = _mm_setzero_si128();
    __m128i xidLoad;    // 加载.
    __m128i xidLoad1;
    __m128i xidLoad2;
    __m128i xidLoad3;
    const __m128i* p = (const __m128i*)pbuf;    // SSE批量处理时所用的指针.
    const int32_t* q;    // 单个数据处理时所用指针.

    // SSE批量处理.
    for(i=0; i<cntBlock; ++i)
    {
        xidLoad = _mm_load_si128(p);    // [SSE2] MOVDQA. 加载.
        xidLoad1 = _mm_load_si128(p+1);
        xidLoad2 = _mm_load_si128(p+2);
        xidLoad3 = _mm_load_si128(p+3);
        xidSum = _mm_add_epi32(xidSum, xidLoad);    // [SSE2] PADDD. 32位整数紧缩环绕加法.
        xidSum1 = _mm_add_epi32(xidSum1, xidLoad1);
        xidSum2 = _mm_add_epi32(xidSum2, xidLoad2);
        xidSum3 = _mm_add_epi32(xidSum3, xidLoad3);
        p += 4;    // 四路循环展开.
    }
    // 合并.
    xidSum = _mm_add_epi32(xidSum, xidSum1);    // 两两合并(0~1).
    xidSum2 = _mm_add_epi32(xidSum2, xidSum3);    // 两两合并(2~3).
    xidSum = _mm_add_epi32(xidSum, xidSum2);    // 两两合并(0~3).
    q = (const int32_t*)&xidSum;
    s = q[0] + q[1] + q[2] + q[3];

    // 处理剩下的.
    q = (const int32_t*)p;
    for(i=0; i<cntRem; ++i)
    {
        s += q[i];
    }

    return s;
}
#endif    // #ifdef INTRIN_SSE2





//////////////////////////////////////////////////
// main
//////////////////////////////////////////////////

// 变量对齐.
#ifndef ATTR_ALIGN
#  if defined(__GNUC__)    // GCC
#    define ATTR_ALIGN(n)    __attribute__((aligned(n)))
#  else    // 否则使用VC格式.
#    define ATTR_ALIGN(n)    __declspec(align(n))
#  endif
#endif    // #ifndef ATTR_ALIGN


#define BUFSIZE    4096    // = 32KB{L1 Cache} / (2 * sizeof(int32_t))
ATTR_ALIGN(32) int32_t buf[BUFSIZE];

// 测试时的函数类型
typedef int32_t (*TESTPROC)(const int32_t* pbuf, size_t cntbuf);

// 进行测试
void runTest(const char* szname, TESTPROC proc)
{
    const int testloop = 4000;    // 重复运算几次延长时间，避免计时精度问题.
    const clock_t TIMEOUT = CLOCKS_PER_SEC/2;    // 最短测试时间.
    int i,j,k;
    clock_t    tm0, dt;    // 存储时间.
    double mps;    // M/s.
    double mps_good = 0;    // 最佳M/s. 因线程切换会导致的数值波动, 于是选取最佳值.
    volatile int32_t n=0;    // 避免内循环被优化.
    for(i=1; i<=3; ++i)    // 多次测试.
    {
        tm0 = clock();
        // main
        k=0;
        do
        {
            for(j=1; j<=testloop; ++j)    // 重复运算几次延长时间，避免计时开销带来的影响.
            {
                n = proc(buf, BUFSIZE);    // 避免内循环被编译优化消掉.
            }
            ++k;
            dt = clock() - tm0;
        }while(dt<TIMEOUT);
        // show
        mps = (double)k*testloop*BUFSIZE*CLOCKS_PER_SEC/(1024.0*1024.0*dt);    // k*testloop*BUFSIZE/(1024.0*1024.0) 将数据规模换算为M，然后再乘以 CLOCKS_PER_SEC/dt 换算为M/s .
        if (mps_good<mps)    mps_good=mps;    // 选取最佳值.
        //printf("%s:\t%.0f M/s\t//%f\n", szname, mps, n);
    }
    printf("%s:\t%.0f M/s\t//%d\n", szname, mps_good, n);
}

int main(int argc, char* argv[])
{
    char szBuf[64];
    int i;

    printf("simdsumint v1.00 (%dbit)\n", INTRIN_WORDSIZE);
    printf("Compiler: %s\n", COMPILER_NAME);
    cpu_getbrand(szBuf);
    printf("CPU:\t%s\n", szBuf);
    printf("\n");

    // init buf
    srand( (unsigned)time( NULL ) );
    for (i = 0; i < BUFSIZE; i++) buf[i] = (int32_t)(rand() & 0x7fff);    // 使用&0x7fff是为了使数值在一定范围内，便于观察结果是否正确.

    // test
    runTest("sumint_base", sumint_base);    // 32位整数数组求和_基本版.
#ifdef INTRIN_MMX
    if (simd_mmx(NULL))
    {
        runTest("sumint_mmx", sumint_mmx);    // 32位整数数组求和_MMX版.
        runTest("sumint_mmx_4loop", sumint_mmx_4loop);    // 32位整数数组求和_MMX四路循环展开版.
    }
#endif    // #ifdef INTRIN_MMX
#ifdef INTRIN_SSE2
    if (simd_sse_level(NULL) >= SIMD_SSE_2)
    {
        runTest("sumint_sse", sumint_sse);    // 32位整数数组求和_SSE版.
        runTest("sumint_sse_4loop", sumint_sse_4loop);    // 32位整数数组求和_SSE四路循环展开版.
    }
#endif    // #ifdef INTRIN_SSE2

    return 0;
}

 

2.2 makefile

　　全部代码——

# flags
CC = g++
CFS = -Wall -msse2

# args
RELEASE =0
BITS =
CFLAGS =

# [args] 生成模式. 0代表debug模式, 1代表release模式. make RELEASE=1.
ifeq ($(RELEASE),0)
    # debug
    CFS += -g
else
    # release
    CFS += -O3 -DNDEBUG
    //CFS += -O3 -g -DNDEBUG
endif

# [args] 程序位数. 32代表32位程序, 64代表64位程序, 其他默认. make BITS=32.
ifeq ($(BITS),32)
    CFS += -m32
else
    ifeq ($(BITS),64)
        CFS += -m64
    else
    endif
endif

# [args] 使用 CFLAGS 添加新的参数. make CFLAGS="-mavx".
CFS += $(CFLAGS)


.PHONY : all clean

# files
TARGETS = simdsumint
OBJS = simdsumint.o

all : $(TARGETS)

simdsumint : $(OBJS)
    $(CC) $(CFS) -o $@ $^


simdsumint.o : simdsumint.c zintrin.h ccpuid.h
    $(CC) $(CFS) -c $<


clean :
    rm -f $(OBJS) $(TARGETS) $(addsuffix .exe,$(TARGETS))

 

三、编译测试

3.1 编译

　　在以下编译器中成功编译——
VC6：x86版。
VC2003：x86版。
VC2005：x86版。
VC2010：x86版、x64版。
GCC 4.7.0（Fedora 17 x64）：x86版、x64版。
GCC 4.6.2（MinGW(20120426)）：x86版。
GCC 4.7.1（TDM-GCC(MinGW-w64)）：x86版、x64版。
llvm-gcc-4.2（Mac OS X Lion 10.7.4, Xcode 4.4.1）：x86版、x64版。

3.2 测试

　　因虚拟机上的有效率损失，于是仅在真实系统上进行测试。

　　系统环境——
CPU：Intel(R) Core(TM) i3-2310M CPU @ 2.10GHz
操作系统：Windows 7 SP1 x64版

　　然后分别运行VC与GCC编译的Release版可执行文件，即以下4个程序——
exe\simdsumint_vc32.exe：VC2010 SP1 编译的32位程序，/O2 /arch:SSE2。
exe\simdsumint_vc64.exe：VC2010 SP1 编译的64位程序，/O2 /arch:SSE2。
exe\simdsumint_gcc32.exe：GCC 4.7.1（TDM-GCC(MinGW-w64)） 编译的32位程序，-O3 -mss2。
exe\simdsumint_gcc64.exe：GCC 4.7.1（TDM-GCC(MinGW-w64)） 编译的64位程序，-O3 -mss2。

　　测试结果（使用cmdarg_ui）——

 

参考文献——
《Intel® 64 and IA-32 Architectures Software Developer’s Manual Combined Volumes:1, 2A, 2B, 2C, 3A, 3B, and 3C》044US. August 2012. http://www.intel.com/content/www/us/en/processors/architectures-software-developer-manuals.html
《Intel® Architecture Instruction Set Extensions Programming Reference》014. AUGUST 2012. http://software.intel.com/en-us/avx/
《AMD64 Architecture Programmer’s Manual Volume 4: 128-Bit and 256-Bit Media Instructions》. December 2011. http://developer.amd.com/documentation/guides/Pages/default.aspx#manuals
《[C] 让VC、BCB支持C99的整数类型（stdint.h、inttypes.h）（兼容GCC）》. http://www.cnblogs.com/zyl910/archive/2012/08/08/c99int.html
《[C] zintrin.h: 智能引入intrinsic函数 V1.01版。改进对Mac OS X的支持，增加INTRIN_WORDSIZE宏》. http://www.cnblogs.com/zyl910/archive/2012/10/01/zintrin_v101.html
《[C/C++] ccpuid：CPUID信息模块 V1.03版，改进mmx/sse指令可用性检查（使用signal、setjmp，支持纯C）、修正AVX检查Bug》. http://www.cnblogs.com/zyl910/archive/2012/10/13/ccpuid_v103.html
《[x86]SIMD指令集发展历程表（MMX、SSE、AVX等）》. http://www.cnblogs.com/zyl910/archive/2012/02/26/x86_simd_table.html
《SIMD（MMX/SSE/AVX）变量命名规范心得》. http://www.cnblogs.com/zyl910/archive/2012/04/23/simd_var_name.html
《GCC 64位程序的makefile条件编译心得——32位版与64位版、debug版与release版（兼容MinGW、TDM-GCC）》. http://www.cnblogs.com/zyl910/archive/2012/08/14/gcc64_make.html
《[C#] cmdarg_ui：“简单参数命令行程序”的通用图形界面》.  http://www.cnblogs.com/zyl910/archive/2012/06/19/cmdarg_ui.html
《[C] 跨平台使用Intrinsic函数范例1——使用SSE、AVX指令集 处理 单精度浮点数组求和（支持vc、gcc，兼容Windows、Linux、Mac）》. http://www.cnblogs.com/zyl910/archive/2012/10/22/simdsumfloat.html

源码下载——
https://files.cnblogs.com/zyl910/simdsumint.rar