NEON优化2：ARM优化高频指令总结

在上篇NEON优化1：软件性能优化、降功耗怎么搞？介绍完后，本篇博客主要分享根据优化经验总结的高频NEON指令。

总体划分：

• 读写：数据存取及寄存器读写
• 计算：加减乘和乘加
• 转换：位宽、类型、重解释
• 操作：移位、比较、绝对值、最大值

前言

---

了解指令前，你需要知道什么是向量？什么是向量线？

• 向量，就是指一个寄存器中同时存的不同值，比如float32x4_t类型，就是个4元素的向量。
• 向量线，就是向量里的具体元素值。

随后，为便于理解指令意义，你需要知道指令格式规范是什么？

• 指令样式：int16x4_t vqmovn_s32(int32x4_t a);

  • int16x4，表示返回的类型，int16表示16位整型，x4表示为4个元素的向量
  • vq中的v表示vector向量运算，q表示饱和运算，比如溢出就截断为最值
    • 而如vmulq_n_f32中，_前面的q是指满位宽128位运算
  • movn表示运算类型，是做位宽变换操作
  • s32表示操作对象为int32

• 饱和运算：

  • 涉及字符位由宽变窄时，超过当前类型最大值时自动截断成该类型最值

• 并行位数：

  • arm平台的NEON并行计算：最大支持128位
  • 指令中，类型符下划线前，加q为128位运算，不加为64位运算；
    • vld1q_f32，对应f32x4的类型，满128位
    • vld1_f32，对应f32x2的类型，仅64位

• 涉及到有标量的运算，函数会有_n_作为标识

  • 涉及标量：float32x4_t vmulq_n_f32(float32x4_t a, float32_t b);
  • 不涉及标量：float32x4_t vmulq_f32(float32x4_t a, float32x4_t b);

读写

---

数据存取

• 读数据指令：
  • 指令1：vld1q_f32(float p), 读满维128位数据，324，4个32位float数据
  • 指令2：vld2q_f32(float p), 读2个满维128位数据，324*2
  • 指令3：vld4q_f32(float p), 读4个满维128位数据，324*4
  • 效果：从内存读取数据到NEON寄存器中
• 写数据指令：
  • 指令1：void vst1q_f32(__transfersize(4) float32_t * ptr, float32x4_t val); // 拷贝4个32位的浮点，共128位
  • 指令2：void vst1q_s16(__transfersize(8) int16_t * ptr, int16x8_t val); // 拷贝8个16位的整型，共128位
  • 指令3：void vst1_s16(__transfersize(4) int16_t * ptr, int16x4_t val); // 拷贝4个16位的整型，共 64
  • 效果：将NEON寄存器的值存入到内存（正常浮点变量），存储NEON向量到内存 store

在向量内设置向量线

• 指令：float32x4_t vdupq_n_f32(float32_t value);
• 效果：将所有向量线设置为相同的值，将向量初始为特定相同值
• 注意：进阶指令可调具体位置去设定相应值

取向量中的向量线

• 取前两个向量线指令：float32x2_t vget_low_f32(float32x4_t a); // a1, a2, a3, a4 => a1, a2
• 取后两个向量线指令：float32x2_t vget_high_f32(float32x4_t a); // a1, a2, a3, a4 => a3, a4
• 效果：取向量中的部分对，从4个值中取前两个与后两个

计算

---

加法

• 指令：int32x4_t vaddq_s32(int32x4_t a, int32x4_t b);
• 效果：vr = a + b

减法

• 指令：int32x4_t vsubq_s32(int32x4_t a, int32x4_t b);
• 效果：vr = a - b

向量乘标量

• 指令：float32x4_t vmulq_n_f32(float32x4_t a, float32_t b); // a1, a2, a3, a4;
• 效果：输出为vr = (a1, a2, a3, a4) * b

向量与标量乘后加

• 指令：float32x4_t vmlaq_n_f32(float32x4_t a, float32x4_t b, float32_t c);
• 效果：向量与标量进行的乘加，结果为 vr = a + b * c
• 特别注意：不是 a * b + c

转换

---

位宽转换

• 窄到宽指令：int32x4_t vmovl_s16(int16x4_t a);
• 效果：把4个16位数值扩展为4个32位的数值，相当于：int16_t a = 3; int32_t b = (int32_t)a;
• 宽到窄指令：int16x4_t vqmovn_s32(int32x4_t a);
• 效果：由宽字符到窄字符，由于可能溢位，故要做饱和运算

类型转换

• 指令：float32x4_t vcvtq_f32_s32(int32x4_t a);
• 效果：将32位整型转换为32位浮点，cvt是convert的缩写

类型重解释

• 指令：int8x16_t vreinterpretq_s8_f32(float32x4_t a); // 将float32x4的a解释成int8x16_t类型
• 效果：向量重新解释类型转换运算
• 说明：不更改值本身，将原始二进制值按不同类型进行解码

操作

---

左右移位

• 左移指令：uint32x4_t vshlq_n_u32(uint32x4_t a, __constrange(0,31) int b); // 左移，b范围：[0, 31]
• 右移指令：uint32x4_t vshrq_n_u32(uint32x4_t a, __constrange(1,32) int b); // 右移，b范围：[1, 32]
• 效果：向量按常数标量左右移位

差值绝对值

• 指令：float32x4_t vabdq_f32(float32x4_t a, float32x4_t b);
• 效果：vr = |a - b|
• 说明：能直接和标量进行运算的，只有乘法；其他如最大值，加减都不行

最大值

• 指令：float32x4_t vmaxq_f32(float32x4_t a, float32x4_t b); // a1, a2, a3, a4; b1, b2, b3, b4;
• 效果：成对取最大值，输出值为：[max(a1, b1), max(a2, b2), ..., max(a4, b4)]

折叠最大值

• 指令：float32x2_t vpmax_f32(float32x2_t a, float32x2_t b); // a1, a2; b1, b2;
• 效果：取相零对的最大值，输出值为：[max(a1, a2), max(b1, b2)]

比较大小

• 小于比较：uint32x4_t vcltq_f32(float32x4_t a, float32x4_t b); // 判断a<b

• <=比较：uint32x4_t vcleq_s32(int32x4_t a, int32x4_t b); // 判断a<=b

• >=比较：uint32x4_t vcgeq_s32(int32x4_t a, int32x4_t b); // 判断a>=b

• 缩略助记：clt（compare less than），cgt（compare grete than），ceq(comprae equal), ge(>=), le(<=)

• 返回类型：无符号数，位宽与入参相同

按位选择

• 指令：int32x4_t vbslq_s32(uint32x4_t a, int32x4_t b, int32x4_t c);
• 函数用法：将a的每一位进行判断，若是1，则输出b中对应位；否则输出c中对应位
• 注意事项：通常和比较函数的输出a结合使用，a为无符号比较结果，返回值类型与输入值b/c类型相同

向量内元素反转

• 指令：uint8x8_t vrev16_u8(uint8x8_t vec);

• 助记符：vrev(bit)_(type)

• 效果：向量内按指定的位数bit，成对相互交换

• 举例：

  uint8x8_t src = {1,2,3,4,5,6,7,8};
  dst = vrev16_u8(src) --> dst = {2,1,4,3,6,5,8,7} // 按16位为1小组，内部以8位为元素逆序
  dst = vrev64_u8(src) --> dst = {8,7,6,5,4,3,2,1} // 按64位为1小组，内部以8位为元素逆序  
  1
  2
  3