使用 ARM Neon 内在函数的 128 位旋转答案

【问题标题】：128-bit rotation using ARM Neon intrinsics使用 ARM Neon 内在函数的 128 位旋转
【发布时间】：2012-06-30 20:32:27
【问题描述】：

我正在尝试使用 Neon 内在函数优化我的代码。我在 128 位数组上进行了 24 位旋转（每个 uint16_t 8 个）。

这是我的 c 代码：

uint16_t rotated[8];
uint16_t temp[8];
uint16_t j;
for(j = 0; j < 8; j++)
{
     //Rotation <<< 24  over 128 bits (x << shift) | (x >> (16 - shift)
     rotated[j] = ((temp[(j+1) % 8] << 8) & 0xffff) | ((temp[(j+2) % 8] >> 8) & 0x00ff);
}

我查看了关于 Neon Intrinsics 的 gcc 文档，它没有关于矢量旋转的说明。此外，我尝试使用vshlq_n_u16(temp, 8) 来执行此操作，但所有移出uint16_t 字的位都丢失了。

如何使用霓虹内在函数来实现这一点？顺便问一下，有没有更好的关于 GCC Neon Intrinsics 的文档？

【问题讨论】：

armcc 具有 __ror 内在
如何使用带有ROR ARM 指令的内联汇编？
我更喜欢避免组装。顺便说一句，我使用的是 GCC，所以没有 armcc！
GCC 也支持 ARM 汇编。

标签： c rotation intrinsics neon

【解决方案1】：

我不是 100% 确定，但我认为 NEON 没有旋转指令。

您可以使用左移、右移和或来组合所需的旋转操作，例如：

uint8_t ror(uint8_t in, int rotation)
{
    return (in >> rotation) | (in << (8-rotation));
}

只需对 Neon 内在函数执行相同的操作即可实现左移、右移和或。

uint16x8_t temp;
uint8_t rot;

uint16x8_t rotated =  vorrq_u16 ( vshlq_n_u16(temp, rot) , vshrq_n_u16(temp, 16 - rot) );

参见http://en.wikipedia.org/wiki/Circular_shift“实现循环移位”。

这将旋转车道内的值。如果您想自己旋转车道，请按照其他答案中的说明使用 VEXT。

【讨论】：

我不是在问如何在 c 中进行圆周旋转！我在问如何使用 Neon Intrinsics 来做到这一点！
好的，我已经添加了实际的内部调用。
这比 OP 的答案（3 条指令而不是 5 条指令）要好，但除非 vext.8 与字节移位指令相比真的很慢，否则它仍然效率低下。

【解决方案2】：

在阅读了Arm Community Blogs 之后，我发现了这个：

VEXT：提取 VEXT 从一对现有向量中提取一个新的字节向量。新向量中的字节来自第一个操作数的顶部和第二个操作数的底部。这允许您生成一个新向量，其中包含跨越一对现有向量的元素。 VEXT 可用于实现来自两个向量的数据的移动窗口，这在 FIR 滤波器中很有用。 对于置换，当对两个输入操作数使用相同的向量时，它还可用于模拟按字节旋转操作。

以下 Neon GCC Intrinsic 与图片中提供的程序集相同：

uint16x8_t vextq_u16 (uint16x8_t, uint16x8_t, const int)

因此，可以通过以下方式对完整的 128 位向量（而不是每个元素）进行 24 位旋转：

uint16x8_t input;
uint16x8_t t0;
uint16x8_t t1;
uint16x8_t rotated;

t0 = vextq_u16(input, input, 1);
t0 = vshlq_n_u16(t0, 8);
t1 = vextq_u16(input, input, 2);
t1 = vshrq_n_u16(t1, 8);
rotated = vorrq_u16(t0, t1);

【讨论】：

除非我遗漏了什么，否则与 vextq_u8 在一条指令中完成整个旋转相比，这过于复杂了。

【解决方案3】：

使用vext.8 将向量与其自身连接，并为您提供所需的 16 字节窗口（在本例中偏移 3 个字节）。

使用内部函数 requires casting 来保持编译器满意，但它仍然是一条指令：

#include <arm_neon.h>

uint16x8_t byterotate3(uint16x8_t input) {
    uint8x16_t tmp = vreinterpretq_u8_u16(input);
    uint8x16_t rotated = vextq_u8(tmp, tmp, 16-3);
    return vreinterpretq_u16_u8(rotated);
}

g++5.4 -O3 -march=armv7-a -mfloat-abi=hard -mfpu=neon (on Godbolt) 编译成这样：

byterotate3(__simd128_uint16_t):
    vext.8  q0, q0, q0, #13
    bx      lr

计数为 16-3 意味着我们向左旋转 3 个字节。（这意味着我们从左向量中取 13 个字节，从右向量中取 3 个字节，所以它也是右旋转 13）。

相关：x86 还具有将滑动窗口放入两个寄存器串联的指令：palignr（在 SSSE3 中添加）。

也许我遗漏了一些关于 NEON 的信息，但我不明白为什么 OP 的自我回答是使用具有 16 位粒度的 vext.16 (vextq_u16)。它甚至不是一条不同的指令，只是 vext.8 的别名，这使得无法使用奇数计数，需要额外的指令。 The manual for vext.8 says:

VEXT 伪指令

您可以将数据类型指定为 16、32 或 64 而不是 8。在此在这种情况下，#imm 指的是半字、字或双字，而不是指的是字节，允许的范围是相应的减少。

【讨论】：