我看到人们默认使用-msse -msse2 -mfpmath=sse标志，希望这会提高性能。我知道当 C 代码中使用特殊向量类型时，SSE 会参与其中。但是这些标志对常规 C 代码有什么区别吗？编译器是否使用 SSE 来优化常规 C 代码？
是的，如果您使用完全优化进行编译，现代编译器会使用 SSE2 自动矢量化。 Clang在-O2处矢量化循环，gcc在-O3处矢量化循环。
(GCC12 支持-O2矢量化，但仅在"非常便宜"的情况下，仍然需要-O3来矢量化大多数具有运行时可变行程计数的循环。
即使在-O1或-Os，编译器也会使用 SIMD 加载/存储指令来复制或初始化结构或其他比整数寄存器更宽的对象。 这并不真正算作自动矢量化;它更像是他们默认内置Memset/Memcpy策略的一部分，用于小型固定大小的块。 (如果没有-fno-builtin，这也适用于显式使用具有小常数长度的memcpy。 它确实利用并要求内核支持和启用 SIMD 指令，无论您是否称之为"矢量化"。 (内核使用-mgeneral-regs-only，或者在较旧的 GCC-mno-mmx -mno-sse中禁用此功能。
SSE2 对于 x86-64 是基线/非可选，因此编译器在面向 x86-64 时始终可以使用 SSE1/SSE2 指令。 更高版本的指令集(SSE4、AVX、AVX2、AVX512 和非 SIMD 扩展，如 BMI2、popcnt 等(必须手动启用(例如-march=x86-64-v3或-msse4.1(告诉编译器可以编写无法在旧CPU上运行的代码。 或者让它生成多个版本的代码并在运行时进行选择，但这会产生额外的开销，并且只值得用于较大的函数。
-msse -msse2 -mfpmath=sse已经是 x86-64 的默认值，但不是 32 位 i386 的默认值。 一些 32 位调用约定在 x87 寄存器中返回 FP 值，因此使用 SSE/SSE2 进行计算，然后必须存储/重新加载结果才能在 x87st(0)中获取结果可能很不方便。 有了-mfpmath=sse，更聪明的编译器可能仍然使用x87进行产生FP返回值的计算。
在 32 位 x86 上，默认情况下可能未打开-msse2，这取决于编译器的配置方式。 如果您使用的是 32 位，因为您的目标 CPU 太旧以至于无法运行 64 位代码，则可能需要确保禁用它，或者只-msse。
为正在编译的 CPU 调整二进制文件的最佳方法是-O3 -march=native -mfpmath=sse，并使用链接时优化 + 按配置文件优化。 (GCC-fprofile-generate/运行一些测试数据/gcc -fprofile-use(。
如果编译器确实选择使用新指令，则使用-march=native会生成可能无法在早期 CPU 上运行的二进制文件。 按配置文件优化对 gcc 非常有帮助：没有它，它永远不会展开循环。 但是使用 PGO，它知道哪些循环经常运行/进行大量迭代，即哪些循环是"热"的，值得花费更多的代码大小。 链接时间优化允许跨文件内联/常量传播。 如果您C++有很多实际上没有在头文件中定义的小函数，这将非常有用。
请参阅如何从 GCC/clang 程序集输出中删除"噪音"？，了解有关查看编译器输出并理解它的更多信息。
以下是 x86-64 的 Godbolt 编译器资源管理器上的一些具体示例。 Godbolt 还为其他几种架构提供了 gcc，使用 clang 您可以添加-target mips或其他任何东西，因此您还可以使用正确的编译器选项查看 ARM NEON 的自动矢量化以启用它。 可以将-m32与 x86-64 编译器配合使用，以获取 32 位代码生成。
int sumint(int *arr) {
int sum = 0;
for (int i=0 ; i<2048 ; i++){
sum += arr[i];
}
return sum;
}
带gcc8.1 -O3的内部循环(没有-march=haswell或任何启用AVX/AVX2的东西(：
.L2: # do {
movdqu xmm2, XMMWORD PTR [rdi] # load 16 bytes
add rdi, 16
paddd xmm0, xmm2 # packed add of 4 x 32-bit integers
cmp rax, rdi
jne .L2 # } while(p != endp)
# then horizontal add and extract a single 32-bit sum
如果没有-ffast-math，编译器就不能对 FP 操作重新排序，因此等效float不会自动矢量化(参见 Godbolt 链接：你得到标量addss(。 (OpenMP 可以按循环启用它，也可以使用-ffast-math(。
但是一些FP的东西可以安全地自动矢量化，而不会改变操作顺序。
// clang won't contract this into an FMA without -ffast-math :/
// but gcc will (if you compile with -march=haswell)
void scale_array(float *arr) {
for (int i=0 ; i<2048 ; i++){
arr[i] = arr[i] * 2.1f + 1.234f;
}
}
# load constants: xmm2 = {2.1, 2.1, 2.1, 2.1}
# xmm1 = (1.23, 1.23, 1.23, 1.23}
.L9: # gcc8.1 -O3 # do {
movups xmm0, XMMWORD PTR [rdi] # load unaligned packed floats
add rdi, 16
mulps xmm0, xmm2 # multiply Packed Single-precision
addps xmm0, xmm1 # add Packed Single-precision
movups XMMWORD PTR [rdi-16], xmm0 # store back to the array
cmp rax, rdi
jne .L9 # }while(p != endp)
乘数 =2.0f导致使用addps加倍，将 Haswell/Broadwell 的吞吐量降低 2 倍！ 因为在SKL之前，FP加法只在一个执行端口上运行，但有两个FMA单元可以运行乘法。 SKL 放弃了加法器，并以与 mul 和 FMA 相同的每时钟吞吐量和延迟运行 2 个。 (http://agner.org/optimize/，并查看 x86 标记 wiki 中的其他性能链接。
使用-march=haswell进行编译允许编译器使用单个 FMA 进行缩放 + 添加。 (但是 clang 不会将表达式收缩到 FMA 中，除非您使用-ffast-math。 IIRC有一个选项可以在没有其他激进操作的情况下启用FP收缩。