Eigen问题：为什么模板表达式场景下Map比Vector3d性能更差？

你观测到的性能差异本质和Eigen模板表达式的对齐优化策略有关，而非Eigen::Map本身的指针包装有额外开销，具体原因和使用注意事项如下：

初始测试Map性能更差的原因 #

• Eigen::Vector3d是栈上分配的固定大小向量，Eigen默认会保证其内存对齐，在默认编译参数下，这类对齐的小尺寸向量参与模板表达式运算时，会自动启用SIMD向量化优化。而你构造Eigen::Map时用了默认参数，也就是Eigen::Unaligned，不假设指向的std::vector内存是对齐的，所以Eigen不会对这类Map参与的表达式做对齐SIMD优化，运算效率更低。
• Vector3d构造时会把std::vector里不对齐的内存拷贝到自身对齐的栈内存中，拷贝3个double的开销远低于SIMD优化带来的收益，所以第一次测试中Vector3d版本性能比Map版本更好。

逐元素计算后性能持平的原因 #

你手动把Eigen模板表达式拆成逐元素算术操作后，相当于绕开了Eigen的表达式优化逻辑，不管是Map还是Vector3d最后都会被编译器处理成标量运算，没有SIMD优化的差异，所以三者性能基本一致。

Eigen::Map参与表达式运算的注意事项 #

• 主动指定对齐参数：如果你的源内存确实满足对齐要求（比如使用Eigen::aligned_allocator分配std::vector，或者手动保证每个顶点起始地址符合Eigen的对齐规则），可以给Map显式指定Eigen::Aligned模板参数，即可享受和栈上Vector完全一致的优化，性能没有差异：

  Eigen::Map<const Eigen::Vector3d, Eigen::Aligned> x0{&V[v0 * 3]};
  

• 小尺寸向量的特殊处理：对于3维、2维这种极小的向量，如果源内存无法保证对齐，直接构造Eigen::Vector3d拷贝内存再参与运算，性能反而比直接用未对齐的Map更高，和直觉相反但实测符合性能表现。
• 控制表达式复杂度：如果表达式中嵌套了多个未对齐的Map，Eigen的优化器更容易出现优化失效的情况，对性能敏感的场景可以先把Map显式求值为Vector3d再参与运算。
• 编译参数影响：如果编译时开启-DEIGEN_UNALIGNED_VECTORIZE=1选项，Eigen也会对未对齐的内存做向量化处理，此时Map和Vector3d的性能差异会消失，但这类非对齐向量化在部分老旧CPU上反而会出现性能倒退。

内容的提问来源于stack exchange，提问作者luczzz