Neon/RPi 上的 64 位 DSP 滤波性能优化

Question

我在 Analog Devices Sharc DSP 处理器上有一个 32 位 C++ DSP 音频处理项目，需要将其转移到 64 位处理，该处理现在已经有一段时间可用于 ARM AArch64 的嵌入式用例。

我正在考虑两种选择：

• 要么使用我自己的 FIR 和 IIR 过滤自定义实现，要么
• 寻找一些针对 AArch64 和 Neon 优化的库函数。

在 64 位精度之上，我有相当多的 CPU 密集型处理。我还需要获得更多的处理能力，因为目前 Sharc 的性能也是一个瓶颈。 IIR 和 FIR 函数应提供 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。提供了我需要的功能，例如在 CMSIS 库中为 arm_biquad_cascade_df2T_f64()（它实际上与一个补充的 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）。库函数似乎适用于 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，Ne10 类似。

我正在探索自定义代码路径，我的问题是：

• 可以进行何种 Neon 和 AArch64 特定优化
• 与基于块的双二阶函数的纯 C 实现相比，可以预期的性能提升幅度

或者，留给编译器优化和使用 Neon 就足够了？

Answer 1

如果您可以选择，出于性能考虑，您肯定会选择 AArch64 而不是 32 位 Neon 实现。 AArch64 有更多/更宽的向量寄存器。而且 CPU 从乱序执行中获益更多，因为 AArch64 丢弃了无处不在的 32 位指令集的条件执行，这很容易通过条件标志导致指令之间的额外依赖。

我最近从一项具体的优化任务中得出的个人结论：

• clang 管理比 gcc 更好的自动向量化
• clang 10 比 clang 8 有更好的自动向量化
• clang 针对特定 Cortex 内核的调优令人印象深刻
• 有用的clang标志：-Rpass=loop-vectorize -Rpass-missed=loop-vectorize -Rpass-analysis=loop-vectorize
• 没有一个编译器能够克服 AArch64 向量聚集加载的不足
• 手动矢量化代码的性能仍然比自动矢量化高 2 倍
• 使用 ARM 向量内在函数进行编程受到索引文档不佳以及 ARM 将所有向量指令从 ARMv7 重命名为 AArch64 的阻碍
• 使用 llvm-mca (https://llvm.org/docs/CommandGuide/llvm-mca.html)，非常有用

请注意，这些经验不应随意概括，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自动矢量化器使用特定纯 C 代码是否成功。

我从一个普通的 C 实现开始，让它自动矢量化，研究 llvm-mca 输出，发现自动矢量化代码的弱点，然后从那里开始工作。