SSE是英特爾提出的即MMX之後新一代（當然是幾年前了）CPU指令集，最早應用在PIII系列CPU上。現在已經得到了Intel PIII、P4、Celeon、Xeon、AMD Athlon、duron等系列CPU的支持。而更新的SSE2指令集僅得到了P4系列CPU的支持，這也是為什麼這篇文章是講SSE而不是SSE2的原因之一。另一個原因就是SSE和SSE2的指令系統是非常相似的，SSE2比SSE多的僅是少量的額外浮點處理功能、64位浮點數運算支持和64位整數運算支持。
SSE為什麼會比傳統的浮點運算更快呢？因為它使用了128位的存儲單元，這對於32位的浮點數來講，是可以存下4個的，也就是說，SSE中的所有計算都是一次性針對4個浮點數來完成的，這種批處理當然就會帶來效率的提升。我們再來回顧一下SSE的全稱：Stream SIMD Extentions（流SIMD擴展）。SIMD就是single instruction multiple data，連起來就是“數據流單指令多數據擴展”，從名字我們就可以更好的理解SSE是如何工作的了。
雖然SSE從理論上來講要比傳統的浮點運算會快，但是他所受的限制也很多，首先，雖然他執行一次相當於四次，會比傳統的浮點運算執行4次的速度要快，但是他執行一次的速度卻並沒有想象中的那麼快，所以要體現SSE的速度，必須有Stream做前提，就是大量的流數據，這樣才能發揮SIMD的強大作用。其次，SSE支持的數據類型是4個32位（共計128位）浮點數集合，就是C、C++語言中的float[4]，並且必須是以16位字節邊界對齊的（稍後會以代碼來進行闡釋，關於邊界對齊的概念，讀者可以參考論壇上的其它文章，都會有很詳細的解答，我這裡就恕不贅述了）。因此這也給輸入和輸出帶來了不少的麻煩，實際上主要影響SSE發揮性能的就是不停的對數據進行復制以適用應它的數據格式。
我是一個C++程序員，對匯編並不很熟，但我又想用SSE來優化我的程序，我該怎麼做呢？幸好VC++.net為我們提供了很方便的指令C函數級的封裝和C格式數據類型，我們只需像平時寫C++代碼一樣定義變量、調用函數就可以很好的應用SSE指令了。
當然了，我們需要包含一個頭文件，這裡面包括了我們需要的數據類型和函數的聲明：
#include <xmmintrin.h>
SSE運算的標准數據類型只有一個，就是：
__m128，它是這樣定義的：
typedef struct __declspec(intrin_type) __declspec(align(16)) __m128 {
float m128_f32[4];
} __m128;
簡化一下，就是：
struct __m128
{
float m128_f32[4];
};
比如要定義一個__m128變量，並為它賦四個float整數，可以這樣寫：
__m128 S1 = { 1.0f, 2.0f, 3,0f, 4,0f };
要改變其中第2個（基數為0）元素時可以這樣寫：
S1.m128_f32[2] = 6.0f;
令外我們還會用到幾個賦值的指令，它可以讓我們更方便的使用這個數據結構：
S1 = _mm_set_ps1( 2.0f );
它會讓S1.m128_f32中的四個元素全部賦予2.0f，這樣會比你一個一個賦值要快的多。
S1 = _mm_setzero_ps();
這會讓S1中的所有4個浮點數都置零。
還有一些其它的賦值指令，但執行起來還沒有自己逐個賦值來的快，只做為一些特殊用途，如果你想了解更多的信息，可以參考MSDN -> VisualC++參考 -> C/C++Language -> C++Language Reference -> Compiler Intrinsics -> MMX, SSE, and SSE2 Intrinsics -> Stream SIMD Extensions(SSE)章節。
一般來講，所有SSE指令函數都有3個部分組成，中間用下劃線隔開：
_mm_set_ps1
mm表示多媒體擴展指令集
set表示此函數的含義縮寫
ps1表示該函數對結果變量的影響，由兩個字母組成，第一個字母表示對結果變量的影響方式，p表示把結果做為指向一組數據的指針，每一個元素都將參與運算，S表示只將結果變量中的第一個元素參與運算；第二個字母表示參與運算的數據類型。s表示32位浮點數，d表示64位浮點數，i32表示32位定點數，i64表示64位定點數，由於SSE只支持32位浮點數的運算，所以你可能會在這些指令封裝函數中找不到包含非s修飾符的，但你可以在MMX和SSE2的指令集中去認識它們。
接下來我舉一個例子來說明SSE的指令函數是如何使用的，必須要說明的是我以下的代碼都是在VC7.1的平台上寫的，不保證對其它如Dev-C++、Borland C++等開發平台的完全兼容。
為了方便對比速度，我會用常歸方法和SSE優化兩種寫法寫出，並會用一個測試速度的類CTimer來進行計時。
這個算法是對一組float值進行放大，函數ScaleValue1是使用SSE指令優化的，函數ScaleValue2則沒有。我們用10000個元素的float數組數據來測試這兩個算法，每個算法運算10000遍，下面是測試程序和結果：
#include <xmmintrin.h>
#include <windows.h>
class CTimer
{
public:
__forceinline CTimer( void )
{
QueryPerformanceFrequency( &m_Frequency );
QueryPerformanceCounter( &m_StartCount );
}
__forceinline void Reset( void )
{
QueryPerformanceCounter( &m_StartCount );
}
__forceinline double End( void )
{
static __int64 nCurCount;
QueryPerformanceCounter( (PLARGE_INTEGER)&nCurCount );
return double( nCurCount * ( *(__int64*)&m_StartCount ) ) / double( *(__int64*)&m_Frequency );
}
private:
LARGE_INTEGER m_Frequency;
LARGE_INTEGER m_StartCount;
};
void ScaleValue1( float *pArray, DWORD dwCount, float fScale )
{
DWORD dwGroupCount = dwCount / 4;
__m128 e_Scale = _mm_set_ps1( fScale );
for ( DWORD i = 0; i < dwGroupCount; i++ )
{
*(__m128*)( pArray + i * 4 ) = _mm_mul_ps( *(__m128*)( pArray + i * 4 ), e_Scale );
}
}
void ScaleValue2( float *pArray, DWORD dwCount, float fScale )
{
for ( DWORD i = 0; i < dwCount; i++ )
{
pArray[i] *= fScale;
}
}
#define ARRAYCOUNT 10000
int __cdecl main()
{
float __declspec(align(16)) Array[ARRAYCOUNT];
memset( Array, 0, sizeof(float) * ARRAYCOUNT );
CTimer t;
double dTime;
t.Reset();
for ( int i = 0; i < 100000; i++ )
{
ScaleValue1( Array, ARRAYCOUNT, 1000.0f );
}
dTime = t.End();
cout << "Use SSE：" << dTime << "秒" << endl;
t.Reset();
for ( int i = 0; i < 100000; i++ )
{
