c++ - 有效地计算 arm neon 中 16 字节缓冲区中不同值的数量

Question

这是计算缓冲区中不同值数量的基本算法:

unsigned getCount(const uint8_t data[16])
{
    uint8_t pop[256] = { 0 };
    unsigned count = 0;
    for (int i = 0; i < 16; ++i)
    {
        uint8_t b = data[i];
        if (0 == pop[b])
            count++;
        pop[b]++;
    }
    return count;
}

是否可以通过加载到 q-reg 并施展魔法，以某种方式在 neon 中有效地完成此操作？或者，我是否可以有效地说 data 具有相同的所有元素，或者仅包含两个或两个以上的不同值？

例如，使用 vminv_u8 和 vmaxv_u8 我可以找到最小和最大元素，如果它们相等，我知道 data 具有相同的元素.如果不是，那么我可以用最小值 vceq_u8 和用最大值 vceq_u8 然后 vorr_u8 这些结果并比较我所有的 1-s在结果中。基本上，在 NEON 中，它可以通过这种方式完成。有什么想法可以让它变得更好吗？

unsigned getCountNeon(const uint8_t data[16])
{
    uint8x16_t s = vld1q_u8(data);
    uint8x16_t smin = vdupq_n_u8(vminvq_u8(s));
    uint8x16_t smax = vdupq_n_u8(vmaxvq_u8(s));
    uint8x16_t res = vdupq_n_u8(1);
    uint8x16_t one = vdupq_n_u8(1);

    for (int i = 0; i < 14; ++i) // this obviously needs to be unrolled
    {
        s = vbslq_u8(vceqq_u8(s, smax), smin, s); // replace max with min
        uint8x16_t smax1 = vdupq_n_u8(vmaxvq_u8(s));
        res = vaddq_u8(res, vaddq_u8(vceqq_u8(smax1, smax), one));
        smax = smax1;
    }
    res = vaddq_u8(res, vaddq_u8(vceqq_u8(smax, smin), one));
    return vgetq_lane_u8(res, 0);
}

通过一些优化和改进，或许可以用 32-48 条 neon 指令处理一个 16 字节的 block 。这可以在 ARM 上做得更好吗？不太可能

我问这个问题的一些背景。当我在研究一种算法时，我正在尝试不同的方法来处理数据，但我不确定最后我会使用什么。可能有用的信息:

• 每个 16 字节 block 的不同元素数
• 每 16 字节 block 重复次数最多的值
• 平均每 block
• 每个 block 的中位数
• 光速？..开个玩笑，它不能用 neon 从 16 字节 block 计算:)

所以，我正在尝试一些东西，在我使用任何方法之前，我想看看该方法是否可以得到很好的优化。例如，每个 block 的平均值基本上是 arm64 上的 memcpy 速度。

Answer 1

如果您期望有很多重复项，并且可以高效使用vminv_u8 获得水平最小值，这可能比标量更好.或者不是，也许 NEON->ARM 因循环条件而停顿杀死它。 >.< 但是应该可以通过展开来缓解这种情况(并在寄存器中保存一些信息以确定您超出了多少)。

// pseudo-code because I'm too lazy to look up ARM SIMD intrinsics, edit welcome
// But I *think* ARM can do these things efficiently, 
// except perhaps the loop condition.  High latency could be ok, but stalling isn't

int count_dups(uint8x16_t v)
{
    int dups = (0xFF == vmax_u8(v));   // count=1 if any elements are 0xFF to start
    auto hmin = vmin_u8(v);

    while (hmin != 0xff) {
        auto min_bcast = vdup(hmin);  // broadcast the minimum
        auto matches = cmpeq(v, min_bcast);
        v |= matches;                 // min and its dups become 0xFF
        hmin = vmin_u8(v);
        dups++;
    }
    return dups;
}

这会将唯一值变成 0xFF，一次一组重复项。

循环携带的dep链通过v/hmin停留在 vector 寄存器中；只有循环分支需要 NEON->integer。

---

最小化/隐藏 NEON->整数/ARM 惩罚

按 8 展开，hmin 上没有分支，将结果留在 8 个 NEON 寄存器中。然后转移这8个值； back-to-back transfers of multiple NEON registers to ARM only incurs one total stall (Jake 测试的 14 个周期中的任何一个。)乱序执行也可以隐藏一些对这个停顿的惩罚。然后用完全展开的整数循环检查这 8 个整数寄存器。

将展开因子调整得足够大，这样您通常就不需要对大多数输入 vector 进行另一轮 SIMD 运算。如果几乎所有 vector 最多有 5 个唯一值，则展开 5 而不是 8。

---

不是将多个 hmin 结果转换为整数，而是用 NEON 计数。如果您可以使用 ARM32 NEON 部分寄存器技巧免费将多个 hmin 值放入同一个 vector 中，那么将其中的 8 个值洗牌到一个 vector 中并比较不等于0xFF。然后水平添加该比较结果以获得 -count。

或者，如果您在单个 vector 的不同元素中有来自不同输入 vector 的值，则可以使用垂直运算一次为多个输入 vector 添加结果，而无需水平运算。

---

几乎肯定有优化空间，但我不太了解 ARM，或 ARM 性能细节。 NEON 很难用于任何条件，因为 NEON-> 整数的性能损失很大，这与 x86 完全不同。 Glibc has a NEON memchr在循环中使用 NEON->integer，但我不知道它是否使用它或者它是否比标量更快。

---

加速对标量 ARM 版本的重复调用:

每次都将 256 字节缓冲区清零的代价很高，但我们不需要这样做。 使用序列号以避免需要重置:

• 在每组新元素之前:++seq;

• 对于集合中的每个元素:

  sum += (histogram[i] == seq);
  histogram[i] = seq;     // no data dependency on the load result, unlike ++
  

您可以将直方图设为 uint16_t 或 uint32_t 的数组，以避免在 uint8_t seq 回绕时需要重新归零。但随后它会占用更多的缓存空间，因此也许只是将每 254 个序列号重新归零是最有意义的。