从数组末尾加载数据到AVX/AVX2寄存器时如何避免越界？

已知内存中对齐位置（如double *d）存在至少4个double时，可直接用__m256d x = _mm256_load_pd(&d[i])加载到AVX2寄存器。但当剩余double不足4个时，直接加载会触发数组越界，以下是几种标准解决方案：

1. 内存填充（可控分配场景优先） #

如果能完全控制内存分配，直接分配4×8字节倍数的内存，剩余位置补零。这种方式最简单，全程可使用_mm256_load_pd，无需额外边界处理，性能最优。

2. 条件分支补零（你的现有方案） #

你当前的实现是合理的，通过判断剩余元素数量diff，用_mm256_set_pd手动补零构造AVX寄存器。需要注意_mm256_set_pd的参数顺序：它是从高位到低位填充寄存器，所以_mm256_set_pd(0.0, d[i+2], d[i+1], d[i])对应寄存器最低位是d[i]，和_mm256_load_pd的内存顺序一致，逻辑正确。

但这种方案存在分支，若边界场景频繁出现，分支预测失效会影响性能。

3. 掩码加载（AVX2推荐方案） #

利用AVX2的_mm256_maskload_pd指令，通过掩码选择需要加载的元素，自动为未选中的位置补零，无需分支：

static __m256d inline _load_256d(size_t diff, size_t i, double *d) {
    __m256i mask;
    switch(diff) {
        case 4: mask = _mm256_set1_epi64x(-1); break; // 全1掩码，加载所有4个元素
        case 3: mask = _mm256_set_epi64x(0, -1, -1, -1); break; // 仅加载低3个
        case 2: mask = _mm256_set_epi64x(0, 0, -1, -1); break; // 仅加载低2个
        default: mask = _mm256_set_epi64x(0, 0, 0, -1); break; // 仅加载低1个
    }
    return _mm256_maskload_pd(&d[i], mask);
}

_mm256_maskload_pd会根据掩码中每个64位块是否为全1，决定是否加载对应位置的double，未选中的位置自动填充0.0。这种方案无分支，性能更稳定，是AVX2边界加载的标准做法。

4. 临时缓冲区复制（兜底方案） #

如果无法使用AVX2指令集（比如仅支持AVX），可以把剩余元素复制到一个对齐的临时数组，补零到4个后再加载：

static __m256d inline _load_256d(size_t diff, size_t i, double *d) {
    __attribute__((aligned(32))) double tmp[4] = {0};
    memcpy(tmp, &d[i], diff * sizeof(double));
    return _mm256_load_pd(tmp);
}

这种方案有内存复制开销，仅适合边界场景极少的情况。

内容的提问来源于stack exchange，提问作者s-m-e