有效计算 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;
}

这可以通过加载到 q-reg 并做一些魔术来有效地在 neon 中完成吗？或者，我可以有效地说data 的所有元素都相同，还是只包含两个不同的值或两个以上？

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。如果没有，那么我可以vceq_u8 使用最小值和vceq_u8 使用最大值然后vorr_u8 这些结果并比较我在结果中的所有1-s。基本上，在霓虹灯中可以这样做。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，一个 16 字节的块可能可以在 32-48 个 neon 指令中处理。这可以在手臂上做得更好吗？不太可能

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

• 每 16 字节块的不同元素计数
• 每 16 字节块重复次数最多的值
• 平均每块
• 每块的中位数
• 光速？.. 开个玩笑，它不能用 16 字节块在霓虹灯中计算:)

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，arm64 上的平均每块速度基本上就是 memcpy 速度。

Answer 1

如果您预计会有很多重复项，并且可以有效地使用vminv_u8 获得水平最小值，那么这可能比标量更好。或者不是，也许 NEON->ARM 会因为循环条件而停止工作。 >// 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; }

这会将唯一值转换为 0xFF，一次一组重复值。

通过v / hmin的循环携带的dep链留在向量寄存器中；只有循环分支需要 NEON->integer。

---

最小化/隐藏 NEON->整数/ARM 惩罚

展开 8，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 测试的任何 14 个周期。）乱序执行也可能隐藏此停顿的一些惩罚。然后使用完全展开的整数循环检查这 8 个整数寄存器。

将展开因子调整为足够大，以使您通常不需要对大多数输入向量进行另一轮 SIMD 操作。如果几乎所有向量最多有 5 个唯一值，则展开 5 而不是 8。

---

不要将多个hmin 结果转换为整数，而是在 NEON 中计算它们。如果您可以使用 ARM32 NEON 部分寄存器技巧将多个 hmin 值免费放入同一个向量中，那么将其中的 8 个值混入一个向量并比较不等于 0xFF 只需要多一点工作。然后水平添加比较结果得到-count。

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

---

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

---

加快对标量 ARM 版本的重复调用：

每次将 256 字节缓冲区归零会很昂贵，但我们不需要这样做。 使用序列号避免需要重置：

• 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 换行时需要重新归零。但是这样会占用更多的缓存空间，所以也许每 254 个序列号重新归零最有意义。