CandPointer进来，其他会SSE的大神也come on
Sandy Bridge和Westmere架构，movdqa、paddq、pshufd、psllq的延迟都是1个周期，pmuludq是3个周期，pmuludq后面的的指令如果不是pmuludq等SSE/MMX乘法的话可以重叠，所以如下汇编
__asm movdqa xmm2, xmm1\
__asm paddq xmm2, xmm1\
__asm movdqa xmm4, xmm2\
__asm pshufd xmm3, xmm2, 10110001b\
__asm pshufd xmm5, xmm1, 10110001b\
__asm pmuludq xmm3, xmm1\
__asm pmuludq xmm4, xmm5\
__asm pmuludq xmm2, xmm1\
__asm psllq xmm3, 32\
__asm psllq xmm4, 32\
__asm paddq xmm2, xmm1\
__asm paddq xmm2, xmm3\
__asm paddq xmm2, xmm4\
前两个pmuludq后面还是pmuludq，只有__asm pmuludq xmm2, xmm1后面能重叠，因此消耗时钟周期应该是1+1+1+1+1+3+3+1+1+1+1+1+1=17
那按照一开始的原则，避免pmuludq连续，改成如下代码
__asm movdqa xmm2, xmm1\
__asm paddq xmm2, xmm1\
__asm pshufd xmm3, xmm2, 10110001b\
__asm pmuludq xmm3, xmm1\
__asm movdqa xmm4, xmm2\
__asm pshufd xmm5, xmm1, 10110001b\
__asm pmuludq xmm2, xmm1\
__asm psllq xmm3, 32\
__asm pmuludq xmm4, xmm5\
__asm paddq xmm2, xmm1\
__asm paddq xmm2, xmm3\
__asm psllq xmm4, 32\
__asm paddq xmm2, xmm4\
时钟周期应该是1+1+1+1+1+1+2+1+1+1+1+1+1=14，虽说改善不多，但至少不应该比上面的慢
但是我实测的结果，下面的代码略慢于上面的，为什么，还是我理解有误
[解决办法]
