你有没有考虑 cache locality ，大量的计算访问的内存不要蹦来蹦去的，最好在临近的内存位置。  
  
【 在 xibaomo () 的大作中提到: 】
: 先放结论：感谢大家的出谋划策，但很遗憾都没什么用，都比不上让gcc自己优化。。
: 1. 有人建议inline，经实践检验这么简单的函数编译器直接做成inline
: 2. fma，需要先算后一个乘积，再缓存，再丢给fma，结果反而比no fma更慢，这里有个链接正好说明了乘积和的情况https://stackoverflow.com/questions/23710356/how-to-chain-multiple-fma-operations-together-for-performance
: 3. avx/avx2，先要创建两个__m256 vector，再调用_mm256_mul_ps,但结果比不用avx慢了5倍。
--
FROM 138.19.103.*