什么是SIMD SIMD(Single Instruction Multiple Data): 单指令流多数据流) 用一个控制器对一组数据（又称“数据向量”）中的每一个分别执行相同的操作来实现空间上的并行性 典型实例： Intel的MMX或SSE AMD的3D Now!

intel SIMD指令参考手册

像素点 此回购包含一些有关基本图像处理的单独程序。 它主要是出于个人学习的目的，我将继续编写它们的朴素（纯C）和SIMD（ARM NEON，SSE）优化版本。 随时为该回购创建问题/观看/提出拉取请求。

SIMD 基准测试 测试基本矩阵和向量运算与其 SIMD 对应物的相对性能。 每个操作的时间平均超过 10000 次运行。 使用随机单精度浮点数的 4x4 矩阵或 4D 向量。 对 AVX 128 位 (XMM) 和 256 位 (YMM) 寄存器执行的单独计算。 AVX2/FMA3（128 位）指令集（融合乘加）需要 Intel Haswell CPU 。 所有操作都经过了相当大的优化。 SIMD 矩阵乘法使用线性组合方法。 在带有 Intel i5-4278u 2.6 GHz 双核 Haswell CPU 的 2014 rMBP 上进行测试。 操作系统：在 VMWare Fusion 7 上运行的 Windows 8.1。 使用 MSVC++ 2012 编译： x64 mode 、 /arch:AVX 、 /fp:Fast 通过__rdtsc()在 CPU 时钟周期中计时。 （也可以

使用SIMD的C ++图像处理库：SSE，SSE2，SSE3，SSSE3，SSE4.1，SSE4.2，AVX，AVX2，AVX-512，VMX（Altivec）和VSX（Power7），NEON for ARM。 简介Simd库是一个免费的开源图像处理和机器学习库，专为C和C ++程序员设计。 它为图像处理提供了许多有用的高性能算法，例如：像素格式转换，图像缩放和过滤，从图像中提取统计信息，运动检测，对象检测（HAAR和LBP分类器级联）和分类，神经网络。 通过使用不同的SIMD CPU扩展来优化算法。

SIMD-MC2上的FFT算法 算法描述 n个处理器组成n1/2×n1/2的方阵, 处理器以行主序编号

#SSW：SIMD Smith-Waterman的Python包装器 概述 是 Smith-Waterman 算法的快速实现，它使用单指令多数据 (SIMD) 指令在 CPU 级别并行化算法。 这个存储库将 SSW 库包装成一个易于安装的高级 python 接口，没有外部库依赖项。 SSW 库由Mengyao Zhao 和Wan-Ping Lee 编写，这个python 接口由Giles Hall 维护。 安装 要安装 SSW python 包，请使用 pip： $ pip install ssw 示例用法 import ssw aligner = ssw.Aligner() alignment = aligner.align(reference="ACGTGAGAATTATGGCGCTGTGATT", query="ACGTGAGAATTATGCGCTGTGATT") print

Simd：使用以下SIMD的C ++图像处理和机器学习库：SSE，SSE2，SSE3，SSSE3，SSE4.1，SSE4.2，AVX，AVX2，AVX-512，VMX（Altivec）和VSX（Power7），NEON臂

MyIntrinsics ++（MIPP） 目的 MIPP是用于用C ++ 11编写的向量固有函数（SIMD）的便携式开放源包装程序（MIT许可证）。 它适用于SSE，AVX，AVX-512和ARM NEON（32位和64位）指令。 MIPP包装器支持简单/双精度浮点数，还支持带符号整数算术（64位，32位，16位和8位）。 使用MIPP包装器，您不再需要编写特定的内部代码。 只需使用提供的功能，包装器就会针对您的特定体系结构自动生成正确的内部调用。 各种各样的 科学出版物 艾德里安·卡萨涅（Adrien Cassagne），奥利维尔·奥马尔（Olivier Aumage），丹尼斯·巴图（Denis Barthou），卡米尔·勒鲁（Camille Leroux）和克里斯多夫·杰戈（ChristopheJégo）， ， 第五届SIMD /矢量处理编程模型国际研讨会（WPMVP 2018），

WebAssembly SIMD 示例 本示例通过 WebAssembly 演示了 JavaScript 中 SIMD 的用法。 它运行了 2 个大小为 10000 的数组相加的 100000 倍（有关更多详细信息，请参阅 ）。 第一个实现是通过 JavaScript 中的一个简单循环完成的： for ( let j = 0 ; j < arraySize ; j ++ ) { result [ j ] = a [ j ] + b [ j ] } 第二个实现依赖于以手工编写的 WebAssembly 代码。 这是 SIMD 特定部分（您可以在找到整个代码）： (v128.store ( i32 . add (local. get $result ) (local. get $i )) (i8x16.add (v128.load (local. get $i )