我需要改进循环,因为我的应用程序调用了数千次。 我想我需要和Neon一起做,但我不知道从哪里开始。

假设/前提条件:

  • w总是320(16/32的倍数)。
  • papb是16字节对齐的
  • mamb是积极的。

 int whileInstruction (const unsigned char *pa,const unsigned char *pb,int ma,int mb,int w)
{
    int sum=0;

    do {
        sum += ((*pa++)-ma)*((*pb++)-mb);

    } while(--w);


    return sum;
}

这种矢量化的尝试效果不佳,并且不安全(缺少clobbers),但演示了我正在尝试做的事情:

int whileInstruction (const unsigned char *pa,const unsigned char *pb,int ma,int mb,int w)
{

    asm volatile("lsr          %2, %2, #3      \n"
                 ".loop:                       \n"
                 "# load 8 elements:             \n"
                 "vld4.8      {d0-d3}, [%1]!   \n"
                 "vld4.8      {d4-d7}, [%2]!   \n"
                 "# do the operation:     \n"
                 "vaddl.u8    q7, d0, r7       \n"
                 "vaddl.u8    q8, d1, d8       \n"
                 "vmlal.u8    q7, q7, q8       \n"
                 "# Sum the vector a save in sum (this is wrong):\n"
                 "vaddl.u8    q7, d0, r7       \n"
                 "subs        %2, %2, #1       \n" // Decrement iteration count
                 "bne         .loop            \n" // Repeat unil iteration count is not zero
                 :
                 : "r"(pa), "r"(pb), "r"(w),"r"(ma),"r"(mb),"r"(sum)
                 : "r4", "r5", "r6","r7","r8","r9"
                 );

    return sum;
}

===============>>#1 票数:7 已采纳

这是一个简单的NEON实现。 我已经针对标量代码对此进行了测试,以确保它有效。 请注意,为获得最佳性能, papb应为16字节对齐。

#include <arm_neon.h>

int whileInstruction_neon(const unsigned char *pa, const unsigned char *pb, int ma, int mb, int w)
{
    int sum = 0;

    const int32x4_t vma = { ma, ma, ma, ma };
    const int32x4_t vmb = { mb, mb, mb, mb };

    int32x4_t vsumll = { 0 };
    int32x4_t vsumlh = { 0 };
    int32x4_t vsumhl = { 0 };
    int32x4_t vsumhh = { 0 };
    int32x4_t vsum;

    int i;

    for (i = 0; i <= (w - 16); i += 16)
    {
        uint8x16_t va = vld1q_u8(pa);   // load vector from pa
        uint8x16_t vb = vld1q_u8(pb);   // load vector from pb

        // unpack va into 4 vectors

        int16x8_t val =  (int16x8_t)vmovl_u8(vget_low_u8(va));
        int16x8_t vah =  (int16x8_t)vmovl_u8(vget_high_u8(va));
        int32x4_t vall = vmovl_s16(vget_low_s16(val));
        int32x4_t valh = vmovl_s16(vget_high_s16(val));
        int32x4_t vahl = vmovl_s16(vget_low_s16(vah));
        int32x4_t vahh = vmovl_s16(vget_high_s16(vah));

        // subtract means

        vall = vsubq_s32(vall, vma);
        valh = vsubq_s32(valh, vma);
        vahl = vsubq_s32(vahl, vma);
        vahh = vsubq_s32(vahh, vma);

        // unpack vb into 4 vectors

        int16x8_t vbl =  (int16x8_t)vmovl_u8(vget_low_u8(vb));
        int16x8_t vbh =  (int16x8_t)vmovl_u8(vget_high_u8(vb));
        int32x4_t vbll = vmovl_s16(vget_low_s16(vbl));
        int32x4_t vblh = vmovl_s16(vget_high_s16(vbl));
        int32x4_t vbhl = vmovl_s16(vget_low_s16(vbh));
        int32x4_t vbhh = vmovl_s16(vget_high_s16(vbh));

        // subtract means

        vbll = vsubq_s32(vbll, vmb);
        vblh = vsubq_s32(vblh, vmb);
        vbhl = vsubq_s32(vbhl, vmb);
        vbhh = vsubq_s32(vbhh, vmb);

        // update 4 partial sum of products vectors

        vsumll = vmlaq_s32(vsumll, vall, vbll);
        vsumlh = vmlaq_s32(vsumlh, valh, vblh);
        vsumhl = vmlaq_s32(vsumhl, vahl, vbhl);
        vsumhh = vmlaq_s32(vsumhh, vahh, vbhh);

        pa += 16;
        pb += 16;
    }

    // sum 4 partial sum of product vectors

    vsum = vaddq_s32(vsumll, vsumlh);
    vsum = vaddq_s32(vsum, vsumhl);
    vsum = vaddq_s32(vsum, vsumhh);

    // do scalar horizontal sum across final vector

    sum = vgetq_lane_s32(vsum, 0);
    sum += vgetq_lane_s32(vsum, 1);
    sum += vgetq_lane_s32(vsum, 2);
    sum += vgetq_lane_s32(vsum, 3);

    // handle any residual non-multiple of 16 points

    for ( ; i < w; ++i)
    {
        sum +=  (*pa++ - ma) * (*pb++ - mb);
    }

    return sum;
}

===============>>#2 票数:1

对于我的问题的另一个解决方案采用了Paul R的完美解决方案,在w等于8的情况下,通常可以使用此函数:

int whileInstruction8Valors (const unsigned char *pa,const unsigned char *pb,int ma,int mb,int w)
{

int sum=0;
//int 32 bits /4 elementos? 

const int32x4_t vma = { ma, ma, ma, ma };
const int32x4_t vmb = { mb, mb, mb, mb };

int32x4_t vsumll = { 0 };
int32x4_t vsumlh = { 0 };

int32x4_t vsum;

//char 8 bytes / 8 elementos
uint8x8_t  va2= vld1_u8(pa); // VLD1.8 {d0}, [r0]
uint8x8_t  vb2= vld1_u8(pb); // VLD1.8 {d0}, [r0]

//int 16 bytes /8 elementos
int16x8_t val =  (int16x8_t)vmovl_u8(va2);

//int 32 /4 elementos *2 
int32x4_t vall = vmovl_s16(vget_low_s16(val));
int32x4_t valh = vmovl_s16(vget_high_s16(val));

// subtract means
vall = vsubq_s32(vall, vma);
valh = vsubq_s32(valh, vma);

//int 16 bytes /8 elementos
int16x8_t vbl2 =  (int16x8_t)vmovl_u8(vb2);

//int 32 /4 elementos *2 
int32x4_t vbll = vmovl_s16(vget_low_s16(vbl2));
int32x4_t vblh = vmovl_s16(vget_high_s16(vbl2));

// subtract means

vbll = vsubq_s32(vbll, vmb);
vblh = vsubq_s32(vblh, vmb);

// update 4 partial sum of products vectors

vsumll = vmlaq_s32(vsumll, vall, vbll);
vsumlh = vmlaq_s32(vsumlh, valh, vblh);

// sum 4 partial sum of product vectors

vsum = vaddq_s32(vsumll, vsumlh);

// do scalar horizontal sum across final vector

sum = vgetq_lane_s32(vsum, 0);
sum += vgetq_lane_s32(vsum, 1);
sum += vgetq_lane_s32(vsum, 2);
sum += vgetq_lane_s32(vsum, 3);

return sum;
}

也许有可能改善它。

  ask by Gustavo translate from so

未解决问题?本站智能推荐:

1回复

NEON:将int8x16_t解包为一对int16x8,并将一对int16x8_t解压缩为int8x16_t

我正在为我制作的算法的arm64实现NEON版本。 我面临的问题是: -如何将一个int8x16解压缩为两个int16x8_t ,这意味着字节有点“ int16x8_t ”到短裤上? -如何将这两个int16x8_t重新打包为int8x16_t ? 我尝试执行此操作的
1回复

在ARM NEON中将向量加载到数组的边界上

我尝试使用NEON内在函数为ARM优化一些图像处理算法。 对于某些过滤器,需要在该点附近加载元素。 例如,要过滤像素p[x]的图像,我需要加载p[x - 1] , p[x]和p[x + 1] 。 如果x=0 ,那么我加载p[0] , p[0]和p[1] 。 如果x=width-1 ,那么
1回复

向量中的本征霓虹灯交换元素

我想使用Neon Intrinsics优化此类代码。 基本上给定输入 0 1 2 3 4 5 6 7 8 将产生输出, 2 1 0 5 4 3 8 7 6 我能想到的唯一方法是使用 获取3个向量,然后从src [2],src [1],src [0]
1回复

霓虹灯是否等同于Sse2 _mm_unpackhi / lo_epi32 / 64和_mm_shuffle_epi8 / 32?

我也对_mm_cvtsi32_si128感兴趣,但是如果没有那个,那就没什么大不了的了。 对于shuffle,我知道在某些情况下我可以使用Neon等效的alignr(vext),但这本身并不能涵盖我需要解决的所有情况。
2回复

霓虹灯浮动乘法比预期慢

我有两个浮标选项卡。 我需要将第一个选项卡中的元素与第二个选项卡中的相应元素相乘,并将结果存储在第三个选项卡中。 我想使用NEON来并行化浮点乘法:同时进行四次浮点乘法而不是一次。 我预计会有显着的加速,但我的执行时间减少了大约20%。 这是我的代码: 我运行以下命令进行
1回复

我应该如何将__n128投射到__n64x2?

我有一个__n128,想用作vtbl2_u8内部函数的输入,它不喜欢它。 据我所知,vreinterpret似乎不必具有适用于__n128的变体,并且这些事情似乎与reinterpret_cast有点矛盾。 我更习惯于SSE2,所以...关于ARM NEON新手的任何指导? 编辑:
1回复

在ARM上快速搜索/替换8位阵列中匹配的单个字节

我开发了图像处理算法(使用GCC,针对ARMv7(Raspberry Pi 2B))。 特别是我使用一个简单的算法,它改变了掩码中的索引: 不幸的是,它对目标平台的性能很差。 有没有办法优化它?
1回复

如何使用NEON优化a [i] = b [c [i]]

我在这里得到了一个非常简单但又大(n大)的循环: 我想使用NEON对其进行优化,但是我不知道如何处理这部分: src[table[i]] 。 有可能优化吗? 如果是,怎么办?
1回复

如何在ARM NEON SIMD内部函数上编码“ a [i] = b [c [i]]”

我正在尝试将此C / C ++代码转换为SIMD内部函数。 我可以翻译以下代码(C / C ++) 到SIMD代码(使用内在函数) 我知道该关键字可以解决该问题。 但我找不到解决方案。 谢谢。 编辑 For more information 是否
1回复

ARM NEON如何使用索引更改值

我怎样才能用大约uint8x8_t的霓虹灯更改此功能? 谢谢你的帮助!!