Simd项目v6.1.145版本发布：深度优化卷积算法与新增缩放功能

Simd是一个高性能图像处理和计算机视觉算法库，专注于利用SIMD（单指令多数据流）指令集实现算法加速。该库支持多种处理器架构，包括SSE4.1、AVX2、AVX-512BW以及最新的AMX-BF16等指令集，广泛应用于深度学习推理、图像处理等领域。

算法优化与新增功能

新增卷积算法支持

本次发布的v6.1.145版本在卷积算法方面进行了多项增强，特别是针对AMX-BF16指令集新增了多个深度卷积内核：

1. 新增了5x5卷积核支持，包括DepthwiseConvolution_k5p2d1s1w6和DepthwiseConvolution_k5p2d1s1w4两种变体，分别针对不同宽度的数据处理进行了优化
2. 新增了3x3卷积核支持，包括DepthwiseConvolution_k3p1d1s1w8和DepthwiseConvolution_k3p1d1s1w6两种实现
3. 扩展了7x7卷积核的应用范围，使DepthwiseConvolution_k7p3d1s1w4、DepthwiseConvolution_k7p3d1s1w6和DepthwiseConvolution_k7p3d1s1w8能够处理更多场景

这些新增的内核显著提升了特定卷积配置下的计算效率，特别是在Intel Sapphire Rapids等支持AMX-BF16指令集的处理器上。

新增二维缩放功能

版本引入了全新的SynetTiledScale2D32f函数，提供了高效的二维浮点数据缩放能力：

1. 实现了基础版本、SSE4.1、AVX2和AVX-512BW多级优化
2. 采用分块处理策略，减少内存访问开销
3. 特别适合深度学习模型中的特征图上采样和下采样操作

同时新增了ResizerBf16Bilinear类的基础实现和SSE4.1优化版本，为BF16数据格式提供了双线性插值缩放支持。

性能改进与问题修复

性能优化

1. 改进了SynetConvolution32f在NHWC布局、单输入通道和单输出通道情况下的性能
2. 扩展了AVX-512BW对Convolution32fNhwcDepthwise_k7p3d1s1w4函数的优化范围
3. 提升了AMX-BF16在DepthwiseConvolutionDefault和DepthwiseConvolutionLargePad函数中的执行效率

问题修复

1. 修正了AMX-BF16在SynetInnerProduct16bGemmNN类中的实现错误
2. 修复了AVX-512BW在SynetAdd16bUniform类中的计算问题
3. 解决了Base实现中SynetMergedConvolution16bCdc和SynetMergedConvolution16bCd类的逻辑错误
4. 修正了InputMemoryStream类的实现问题

API变更与测试增强

API调整

1. 在SimdSynetMergedConvolution16bInit函数中移除了兼容性参数
2. 在SimdSynetMergedConvolution16bSetParams函数中移除了内部参数
3. 为SimdSynetMergedConvolution16bInit函数添加了新参数

测试框架改进

新增了对SynetTiledScale2D32f功能的测试验证，确保缩放功能的正确性和稳定性。这些测试覆盖了不同数据规模、不同缩放比例以及各种边界条件，为功能的可靠性提供了保障。

技术意义与应用价值

本次更新特别强调了在AMX-BF16指令集上的优化，这对于使用Intel最新一代Xeon可扩展处理器(Sapphire Rapids)的用户尤为重要。AMX-BF16是Intel针对深度学习工作负载引入的矩阵运算扩展，能够显著加速BF16格式的矩阵乘法运算。

新增的二维缩放功能为计算机视觉和深度学习应用提供了更灵活的特征图处理能力，特别是在需要动态调整特征图尺寸的场景中，如目标检测、语义分割等任务。

卷积算法的持续优化反映了Simd项目对深度学习推理性能的重视，这些改进可以直接转化为模型推理速度的提升和能耗的降低，对于边缘计算和实时应用场景具有实际价值。