valarray
STL里面有一个古早的模块std::valarray，不难猜出就是变长数组：
#include <iostream>
#include <valarray>
int main() {
std::valarray<int> vec = {1,2,3,4,5};
return 0;
}不过，与常用的vector相比，valarray实际上是比vector更加像vector的。例如，在数学上，一个vector可以直接做运算，但是在C++里面，你必须通过循环或者函数式编程。而valarray却重载了一些操作符，这使得valarray比vector更像vector，看下面的代码：
#include <iostream>
#include <vector>
#include <valarray>
int main() {
std::valarray<int> vec = {1,2,3,4,5};
vec += 3;
std::vector<int> vec2 = {1,2,3,4,5};
// vec2+=3 will throw an error
for(auto &i : vec2) {
i+=3;
}
return 0;
}简单列举一些valarray支持的运算：
#include <iostream>
#include <valarray>
int main() {
std::valarray<int> vec = {1, 2, 3, 4, 5};
vec += 3;
vec = vec * 2;
vec = vec << 1;
for (auto &i : vec2) {
std::cout << i << std::endl;
}
return 0;
}普通的加减乘除，位运算都没有问题。除掉这种简单运算外，对于cmath中的复杂运算，STL也提供了实现：
#include <iostream>
#include <valarray>
int main() {
std::valarray<float> vec = {1, 2, 3, 4, 5};
// For the following line,
// do not use `auto` to replace
// `std::valarray<float>`
std::valarray<float> vec2 = std::sin(vec);
for (auto &i : vec2) {
std::cout << i << std::endl;
}
return 0;
}除掉单独的运算外，valarray也有mask的用法：
#include <iostream>
#include <valarray>
int main() {
std::valarray<float> vec = {1, 2, 3, 4, 5};
vec[vec > 3] = 2; // only assign
for (auto &i : vec2) {
std::cout << i << std::endl;
}
return 0;
}以上的例子可以看出，valarray实际上初步具有vector的功能，尽管功能并不完全。
但是，未来ISO C++未必会对valarray进一步支持，valarray的底层实现仍然是变长数组。尽管在O3的优化条件下，可以发现一些指令被优化成了simd指令，但是这不意味着valarray原生支持simd指令。
STL中的simd
如果要使用simd指令，还是需要期待c++26的std::simd。
不过，实际上在支持c++20的版本下，我们就已经可以看到simd的实验版本了，本文写成时，使用的是gcc 13.0.1，将下面的代码编译成x86汇编，使用O0优化，可以看到xmm这种simd寄存器已经出现了：
#include <array>
#include <experimental/simd>
#include <iostream>
namespace stdx = std::experimental;
int main() {
// Prepare Memory and data
std::array<float, 4> a = {1, 2, 3, 4};
// declare simd data structure
// need two template parameters
// datatype and abi
stdx::simd<float, stdx::simd_abi::native<float>> v;
// Then load data
v.copy_from(a.data(), stdx::vector_aligned);
for (std::size_t i{}; i < 4; ++i)
std::cout << v[i] << ' ';
return 0;
}main:
.LFB11422:
.cfi_startproc
pushq %rbp
.cfi_def_cfa_offset 16
.cfi_offset 6, -16
movq %rsp, %rbp
.cfi_def_cfa_register 6
subq $320, %rsp
movss .LC0(%rip), %xmm0
movss %xmm0, -272(%rbp)
movss .LC1(%rip), %xmm0
movss %xmm0, -268(%rbp)
movss .LC2(%rip), %xmm0
movss %xmm0, -264(%rbp)
movss .LC3(%rip), %xmm0
movss %xmm0, -260(%rbp)
leaq -272(%rbp), %rax
movq %rax, -16(%rbp)
.......然后我们来稍微解释一下这个代码。这里的stdx::simd<float, stdx::simd_abi::native<float>>的模板参数有两个部分，一个是float，一个是abi可能与架构有关，基本上还是使用native比较多。但是也有其它的选项，根据当前的文档信息，有六种可选：
simd_abi::scalarsimd_abi::nativesimd_abi::fixed_sizesimd_abi::compatiblesimd_abi::deducesimd_abi::max_fixed_size
另外，stdx::simd<float, stdx::simd_abi::native<float>>的写法有些冗余，这个写法实际上有一个别名：stdx::native_simd<float>，下面的代码都使用这种写法。
Computing with simd
可以与标量或者另一个simd做普通运算，如：
int main() {
std::array<float, 4> a = {1, 2, 3, 4};
stdx::native_simd<float> v;
v.copy_from(a.data(), stdx::vector_aligned);
v += 3;
v *= 2;
std::array<float, 4> b = {-1, -2, -3, -4};
stdx::native_simd<float> w;
w.copy_from(b.data(), stdx::vector_aligned);
v += w;
for (std::size_t i{}; i < 4; ++i)
std::cout << v[i] << ' ';
return 0;
}比较关键的是，也支持mask运算，但这里需要使用where来支持，这个where猜想在以后可能会成为一个关键字：
例如下面的代码，将大于等于2的数加1。
stdx::where(v >= 2, v) += 1;当然，也支持使用一个显式的mask_simd
stdx::native_simd_mask<float> mask;
mask = v > 2.0f;
stdx::where(mask, v) += 1.0f;需要注意的是stdx::native_simd_mask<float>，这里的模板参数确实是float，如果使用bool会报错，但是这里simd_mask内部的数据类型的确是bool类型，猜想可能是因为当前的实现还不够全面。
这个simd_mask也可以从内存中载入，没有问题：
std::array<bool, 4> b = {true, false, true, false};
stdx::native_simd_mask<float> mask;
mask.copy_from(b.data(), stdx::vector_aligned);最后，尽管simd数据结构可以直接索引打印，还是推荐使用copy_to写回到某个稳定的数据结构中：
v.copy_to(a.data(), stdx::vector_aligned);推荐阅读
- 《Extreme C》- Chapter 3 有关ABI的部分
- 《A Tour of C++》，提到了有关valarray和vector的旧事
- https://cppreference.com/ 有更全面的simd的文档，尽管因为是实验特性的原因，暂时还不够全面。