Go语言SIMD实现性能未达预期，寻求优化指导

云原生阿岚

2026-6-28

Go中float32切片逐元素相乘的性能优化实验与问题

实验环境与场景

硬件：3.7GHz AMD 12核处理器（睿频约4.1GHz）
场景：两个大型float32切片的逐元素相乘，目标是实现最优性能

基础循环与优化结果

基础单乘法循环

性能：42亿次操作/秒

手动循环展开

手动展开循环的代码如下，但Go编译器默认优化已自动完成循环展开，性能与基础循环一致：

for i := 0; i < len(a); i += 4 {
    s0 := a[i] * b[i]
    s1 := a[i+1] * b[i+1]
    s2 := a[i+2] * b[i+2]
    s3 := a[i+3] * b[i+3]
    sum += s0 + s1 + s2 + s3
}

边界检查优化

直接禁用编译器边界检查后，性能提升至82亿次操作/秒
通过循环内添加切片容量检查让编译器自动消除边界检查，性能为76亿次操作/秒，代码如下：

for i := 0; i < len(a) && i < len(b); i += 4 {
    aTmp := a[i : i+4 : i+4]
    bTmp := b[i : i+4 : i+4]
    s0 := aTmp[0] * bTmp[0]
    s1 := aTmp[1] * bTmp[1]
    s2 := aTmp[2] * bTmp[2]
    s3 := aTmp[3] * bTmp[3]
    sum += s0 + s1 + s2 + s3
}

SIMD方案尝试与问题

gensimd库实现

使用github.com/bjwbell/gensimd/simd库实现SIMD乘法，理论上应利用256位寄存器完成4次并行乘法，但实际性能仅为11亿次操作/秒，代码如下：

for i := 0; i < len(a); i += 4 {
    a := simd.MulF32x4(simd.F32x4{a[i], a[i+1], a[i+2], a[i+3]}, simd.F32x4{b[i], b[i+1], b[i+2], b[i+3]})
    sum += a[0] + a[1] + a[2] + a[3]
}

CGo+汇编Intrinsics实现

通过CGo结合AVX2 intrinsics实现，每次处理8个float32元素，性能为29亿次操作/秒：
Go侧代码：

C.add_arrays((*C.float)(unsafe.Pointer(&a[0])), (*C.float)(unsafe.Pointer(&b[0])), C.int(len(a)))

C侧代码：

void add_arrays(float* a, float* b, int len) {
__m256 va, vb, vsum;
for (int i = 0; i < len; i += 8) {
    va = _mm256_load_ps(a + i);
    vb = _mm256_load_ps(b + i);
    vsum = _mm256_mul_ps(va, vb);
    _mm256_store_ps(a + i, vsum);
}
}