应使用 std::vector 实现矩阵乘法，通过 .size() 校验维度、移动语义和调试友好性避免裸指针风险；三重循环须按 i（A行）、j（B列）、k（公共维）顺序以保证缓存命中；入口处必须检查 A[0].size() == B.size() 等维度匹配，否则抛异常。
用 std::vector<:vector>></:vector> 实现矩阵乘法，别直接写裸数组
裸指针 + new 手动管理二维内存，容易越界、泄漏、维度错位，尤其在乘法中行列不匹配时崩溃得毫无提示。用 std::vector 套娃虽然稍慢，但能靠 .size() 检查维度，支持移动语义，调试友好得多。
实操建议：
- 初始化结果矩阵时，先校验
A.cols() == B.rows()（即A[0].size() == B.size()），不满足直接抛异常或返回空std::vector - 外层循环遍历
A行，中层遍历B列，内层累加点积——顺序不能反，否则 CPU 缓存命中率暴跌，性能可能差 3 倍以上 - 别用
operator[]做边界检查；真要安全就用.at()，但只在调试期开，发布版关掉
for 循环三重嵌套里，i/j/k 的顺序有硬性要求
不是“习惯写成 i-j-k 就行”，是现代 x86 和 ARM CPU 的缓存行加载机制决定了：最内层循环必须遍历连续内存地址。若 A 按行优先存储（C++ 默认），那内层必须是 k（列索引），对应 A[i][k] 和 B[k][j] 同时被访问。
常见错误现象：
立即学习“C++免费学习笔记（深入）”；
- 把内层写成
j，导致B[k][j]跳着读，cache miss 频发，实测 1000×1000 矩阵乘法慢 2–4 倍 - 误以为
B是列主序，对它做转置优化——除非你真自己实现了列主序存储，否则纯属白忙 - 用
auto&引用A[i]和B[k]能省一次寻址，但别对result[i][j]用引用再赋值，编译器通常能自动优化
遇到 “segmentation fault” 或 “index out of bounds”，八成是维度没对齐
C++ 不做运行时矩阵维度校验，A[i][k] 的 i 超了 A.size()，或 k 超了 A[i].size()，就直接段错误。这不是代码逻辑错，是输入契约没守牢。
使用场景下必须主动防御：
- 构造函数或乘法函数入口处，立刻检查：
if (A.empty() || B.empty() || A[0].empty()) return {}; - 确认
A[i].size() == B.size()（即公共维度一致），不等就 throw std::invalid_argument("matrix dimensions mismatch") - 调试时在循环里加
assert(i ，上线前用 <code>NDEBUG关掉
想提速？先别碰 OpenMP 或 SIMD，先改掉 std::vector<std::vector<T>> 的内存布局
这种嵌套 vector 每行单独分配，内存不连续，SIMD 指令喂不饱，OpenMP 多线程还容易 cache false sharing。真正快的方案是单块内存 + 行列计算偏移，比如用 std::vector<double></double> 存数据，再封装 at(int i, int j) 方法。
参数差异和代价：
- 接口上多一个
rows/cols成员变量，但内存局部性提升明显，1000×1000 乘法快 1.5–2 倍 - 兼容性无损：对外仍可提供
operator[](int i)[int j]，内部只是算data[i * cols + j] - 别过早优化——如果矩阵最大就 100×100，或者只调用几次，嵌套 vector 完全够用，强行扁平化反而增加维护成本
复杂点在于：扁平化后，转置、子矩阵切片、视图共享这些操作都得重写逻辑，不是换个容器就能跑起来的。
