c++ - Neon/RPi 上的 64 位 DSP 滤波性能优化

Question

我在 ADI 公司的 Sharc DSP 处理器上有一个 32 位 C++ DSP 音频处理项目，需要将其移至 64 位处理，该项目现在已可用于 ARM AArch64 的嵌入式用例。
我正在考虑两种选择:

要么使用我自己自定义的 FIR 和 IIR 过滤实现，要么使用

去寻找一些针对 AArch64 和 Neon 优化的库函数。

除了 64 位精度之外，我还有相当多的 CPU 密集型处理。我还需要获得更多的处理能力，因为目前 Sharc 性能也是一个瓶颈。 IIR 和 FIR 功能应提供 64 位实时、基于块的信号处理。
我的目标平台是 Raspberry Pi，3B+ 可能是 4。提供了我需要的那种功能，例如在 CMSIS 库中为 arm_biquad_cascade_df2T_f64() (它实际上与补充 init 函数一起工作，该函数实现了以基于块的方式处理数据所需的状态数组)。库 funcs 似乎适用于 64 位。但我怀疑它们是否适合 AArch64 并针对 AArch64 进行了优化，因为通常 CMSIS 标记为 32 位，类似的 Ne10。
我正在探索自定义代码路径，我的问题是:

什么样的 Neon 和 AArch64 特定优化是可能的

与基于块的双二阶函数的普通 C 实现相比，可以预期的性能改进幅度

或者当它留给编译器优化和使用 Neon 时就足够了？

Answer 1

如果您有选择，为了性能，您肯定希望选择 AArch64 而不是 32 位 Neon 实现。 AArch64 有更多/更宽的 vector 寄存器。并且 CPU 从乱序执行中获益更多，因为 AArch64 放弃了 32 位指令集无处不在的条件执行，这很容易通过条件标志导致指令之间的额外依赖。
我个人最近从一个特定的优化任务中得出的结论:

clang 比 gcc 管理更好的自动向量化

clang 10 比 clang 8 具有更好的自动矢量化

clang 针对特定 Cortex 内核的调整令人印象深刻

有用的叮当标志:-Rpass=loop-vectorize -Rpass-missed=loop-vectorize -Rpass-analysis=loop-vectorize

两个编译器都无法克服 AArch64 vector 聚集加载的缺失

手动矢量化代码的性能仍然比自动矢量化高 2 倍

使用 ARM vector 内在函数进行编程受到索引文档不佳的阻碍，并且 ARM 将所有 vector 指令从 ARMv7 重命名为 AArch64

使用 llvm-mca ( https://llvm.org/docs/CommandGuide/llvm-mca.html )，它非常有用

请注意，这些经验不应该泛泛而谈，这是一项特定的任务。
通过手动优化实现获得多少性能取决于使用特定纯 C 代码的自动矢量化器的成功。
我从一个普通的 C 实现开始，让它自动矢量化，研究了 llvm-mca 输出，发现了自动矢量化代码的弱点，并从那里开始工作。