Day 62: std.vector模块：向量计算与SIMD

1. 引言：SIMD加速

SIMD（Single Instruction, Multiple Data）是现代CPU中的一项关键技术，它允许处理器在单个指令周期内对多个数据点（即一个向量）执行相同的操作。这对于数据并行计算任务，如图像处理、物理模拟、机器学习和密码学，可以带来巨大的性能提升。

Zig通过内置的@Vector类型和std.vector模块，提供了一种直接、高效的方式来利用SIMD硬件，而无需编写复杂的汇编或使用难以移植的内建函数（intrinsics）。

2. @Vector类型

@Vector(N, T)是Zig中的一个内置类型，它创建一个包含N个类型为T的元素的向量。N必须是编译时已知的整数，T可以是整数、浮点数或布尔值。

const std = @import("std");

// 一个包含4个32位浮点数的向量
const vec4f = @Vector(4, f32);

// 一个包含8个16位整数的向量
const vec8i = @Vector(8, i16);

向量的初始化方式类似于数组：

var v: vec4f = .{ 1.0, 2.0, 3.0, 4.0 };

3. 运算：+, *, reduce

@Vector类型重载了标准的算术和位运算符，使其可以直接用于向量运算。这些运算是按分量（element-wise）执行的。

const v1: vec4f = .{ 1, 2, 3, 4 };
const v2: vec4f = .{ 5, 6, 7, 8 };

// 向量加法
const sum = v1 + v2; // .{ 6, 8, 10, 12 }

// 向量乘法
const product = v1 * v2; // .{ 5, 12, 21, 32 }

// 比较运算返回一个布尔向量（掩码）
const mask = v1 > .{ 2, 2, 2, 2 }; // .{ false, false, true, true }

@reduce是一个强大的内置函数，可以将向量的所有分量聚合为一个标量值。

// 向量求和
const total = @reduce(.Add, sum); // 6 + 8 + 10 + 12 = 36

4. 广播：@splat

@splat内置函数用于创建一个所有分量都相同的向量，这个过程称为广播（broadcasting）。

// 创建一个所有分量都为10.0的向量
const v_ten = @splat(10.0, vec4f);

const result = v1 + v_ten; // .{ 11, 12, 13, 14 }

5. 示例：使用SIMD进行数组求和

下面是一个例子，展示如何使用@Vector来加速一个浮点数数组的求和过程。

const std = @import("std");

fn sum_array(data: []const f32) f32 {
    const vec_size = 4;
    const Vec4f = @Vector(vec_size, f32);
    var sums = @splat(0.0, Vec4f);

    var i: usize = 0;
    while (i + vec_size <= data.len) : (i += vec_size) {
        const chunk: Vec4f = data[i..][0..vec_size].*; // 从切片加载向量
        sums += chunk;
    }

    // 将向量中的部分和聚合起来
    var total = @reduce(.Add, sums);

    // 处理剩余的元素
    while (i < data.len) : (i += 1) {
        total += data[i];
    }

    return total;
}

6. 实践练习：图像滤镜

实现一个简单的图像亮度调整函数。图像可以表示为一个[]u8的像素数据切片。使用@Vector一次性加载和处理多个像素（例如，16个u8），为每个像素值加上一个亮度值，并确保结果被钳位（clamped）在0-255范围内（提示：使用@max和@min）。

7. 常见问题

• 内存对齐 为了最高效地加载和存储向量，指向的数据内存地址应该是向量大小的倍数。例如，一个16字节的@Vector(4, f32)应该从16字节对齐的地址加载。不对齐的访问可能会导致性能下降，甚至在某些平台上导致崩溃。可以使用@alignOf来检查和align关键字来强制对齐。

• 架构差异 不同的CPU架构（如x86-64和AArch64）有不同的SIMD指令集（AVX, SSE, NEON）。Zig的@Vector抽象了这些差异。编译器会负责将你的向量代码翻译成特定目标架构的最佳SIMD指令。

• std.vec vs @Vector std.vec（Day 59）是用于几何数学的更高层抽象，提供了点积、叉积等操作。它在底层使用了@Vector来实现。而@Vector是更底层的、直接映射到硬件SIMD能力的语言特性。

8. 总结：释放硬件的全部潜力

Zig的@Vector类型和相关内置函数为程序员提供了一个强大而直接的工具，以利用现代CPU的并行计算能力。与需要复杂内建函数或依赖自动向量化（auto-vectorization）的语言不同，Zig让你能够明确地、可移植地编写SIMD代码。这使得Zig成为需要极致性能的数据密集型应用（如图形、科学计算和游戏开发）的理想选择。