ios - 在 NEON float32x4_t 中总结 3 条车道

Question

我正在使用 ARM NEON 内在函数(llvm、iOS)对内部循环进行矢量化。我通常使用 float32x4_t。我的计算结束时需要对该向量中四个 float 中的三个求和。

此时我可以回到 C float 和 vst1q_f32 来获取四个值并将我需要的三个值相加。但我认为，如果有一种方法可以在一两条指令中直接使用向量来执行此操作，然后只获取一个 channel 结果，这可能会更有效，但我无法找出任何明确的路径来执行此操作。

我是 NEON 编程的新手，现有的“文档”非常糟糕。有任何想法吗？谢谢!

Answer 1

您应该能够使用 VFP 单元来完成此类任务。 NEON 和 VFP 共享相同的寄存器组，这意味着您无需为了充分利用一个单元而对寄存器进行混洗，它们还可以对相同的寄存器位有不同的看法。

您的 float32x4_t 是 128 位的，因此它必须位于一个四元 (Q) 寄存器中。如果您只使用 arm intrinsic，您将不知道您使用的是哪一个。如果它位于 4 以上，则存在问题，VFP 无法将其视为单一精度(对于好奇的读者:我保持简单，因为 VFP 版本之间存在差异，这是最低要求。).因此，最好将您的 float32x4_t 移动到固定寄存器，如 Q0。在此之后，您只需将 S0、S1、S2 等寄存器与 vadd.f32 相加，然后将结果移回 ARM 寄存器。

一些警告...VFP 和 NEON 理论上是不同的执行单元，共享相同的寄存器组和管道。我不确定这种方法是否比其他方法好，我不需要说，但你应该做基准测试。此外，这种方法并未使用 neon 内在函数进行简化，因此您可能需要使用内联汇编来编写代码。

我做了一个简单的片段来查看它的样子，然后我想出了这个:

#include "arm_neon.h"

float32_t sum3() {           
        register float32x4_t v asm ("q0");
        float32_t ret;

        asm volatile(
        "vadd.f32       s0, s1\n"
        "vadd.f32       s0, s2\n"
        "vmov           %[ret], s0\n"
        : [ret] "=r" (ret)
        :
        :);

        return ret;
}

objdump 看起来像(用 gcc -O3 -mfpu=neon -mfloat-abi=softfp 编译)

00000000 <sum3>:
   0:   ee30 0a20   vadd.f32    s0, s0, s1
   4:   ee30 0a01   vadd.f32    s0, s0, s2
   8:   ee10 3a10   vmov    r0, s0
   c:   4770        bx  lr
   e:   bf00        nop

如果你试一试，我真的很想听听你的印象!