NEON ASM 代码运行速度比 C 代码慢得多？

Question

我正在尝试使用 NEON 针对 iPhone ARM 上的特定问题实施高斯牛顿优化。下面的第一个函数是我原来的 C 函数。第二个是我写的NEON asm代码。我每一个都跑了 100,000 次，NEON 版本比 C 版本要长 7-8 倍。我认为加载（vld1.32）是大部分时间。我通过删除一些指令进行了实验。

有人对这个问题有任何见解吗？谢谢！

template<class T>
inline void GaussNewtonOperationJtr8x8(T Jtr[8], const T J[8], T residual)
{
    Jtr[0] -= J[0]*residual;
    Jtr[1] -= J[1]*residual;
    Jtr[2] -= J[2]*residual;
    Jtr[3] -= J[3]*residual;
    Jtr[4] -= J[4]*residual;
    Jtr[5] -= J[5]*residual;
    Jtr[6] -= J[6]*residual;
    Jtr[7] -= J[7]*residual;    
}

inline void GaussNewtonOperationJtr8x8_NEON(NFloat Jtr[8], const NFloat J[8], NFloat residual)
{
    __asm__ volatile (
                      // load Jtr into registers
                      "vld1.32   {d0-d3}, [%0]\n\t"
                      // load J into registers
                      "vld1.32   {d4-d7}, [%1]\n\t"
                      // load residual in register
                      "vmov.f32  s16, %2\n\t"
                      // Jtr -= J*residual
                      "vmls.f32  q0, q2, d8[0]\n\t"
                      "vmls.f32  q1, q3, d8[0]\n\t"
                      // store result
                      "vst1.32   {d0-d3}, [%0]\n\t"
                      // output
                      :
                      // input
                      : "r"(Jtr), "r"(J), "r"(residual)
                      // registers
                      : "d0", "d1", "d2", "d3", "d4", "d5", "d6", "d7", "d8", "d9", "d10", "d11", "d12", "d13", "d14"
                      );
}

Answer 1

编译器本身会优化 C 代码生成的程序集。它只是不会将一种代码转换为另一种代码。

您正在尝试做的是比编译器进行更好的优化（哦哦）。你至少知道编译器为上面的 C 代码生成的汇编代码是什么吗？好吧，如果你想让你的汇编代码更好，你应该这样做。

编辑：

这个帖子对这类东西进行了很好的讨论： Why ARM NEON not faster than plain C++?

Answer 2

您正在 NEON 和 VFP 指令之间切换。在 Cortex-A8 和 A9 上这样做都会受到惩罚。摆脱 VFP vmov.f32 指令，并确保此代码不会内联到使用 VFP 代码的地方，除非有长时间运行此类代码来证明流水线上下文切换是合理的。

Answer 3

您的 C++ 版本实际上是否使用浮点数？我不知道，因为您只提供了模板并且没有显示您使用的实例化。很奇怪，对于这段代码，NEON 在 Cortex-A8 上比 VFP 慢得多，但对于 u32s，我可以看到它可能会以这种方式工作。

我不知道 ABI 是什么，但是对于如何传递残差可能会有一些开销（即编译器正在做什么以将其放入 %2 寄存器）。尝试改用指针并在单个元素上使用 vld1 - 您可以通过这种方式在 NEON 中仅加载一个浮点数。

如果您使用 16 字节对齐的加载和存储，您将从数组中获得更好的性能，但您可能需要玩一些游戏才能让输入以这种方式工作。不幸的是，您永远不会从中获得真正出色的性能，因为您无法避免 vmls 指令的大部分延迟，这些延迟很长（由于链接 NEON 乘法和加法管道端到端）。更糟糕的是，依赖指令是一个存储，它需要在 NEON 管道的早期输入。理想情况下，您将能够一次执行多个这样的操作，并且可以将多个实例交错在一起 - 尽可能多地放入寄存器中。

Answer 4

1. 不要使用 d8-d15。它们必须在使用前保存在堆栈上。并在之后恢复。编译器会放指令做这件事，浪费宝贵的周期。
2. 在 Jtr 之前加载 J。预计 Jtr 的流水线阶段比 J 晚。
3. 使用 VLDMIA/VSTMIA 代替 VLD/VST。 VLDMIA/VSTMIA 速度更快，并且在管道方面具有优势。
4. 使用向量-向量乘法而不是向量-标量乘法。
5. 如果创建循环版本，请将 pld 放在开头并展开循环，以便每次迭代从每个指针读取 64 字节。

除了我上面提到的那些错误——这对于刚接触 NEON 的人来说很典型——你的方法非常好。您在 vmls 中找到了最合适的指令。

干得好。

{

__asm__ volatile (
    // load residual in register
    "vdup.32  q12, %2\n\t"
    // load J into registers
    "vldmia   %1, {q10-q11}\n\t"
     // load Jtr into registers
    "vldmia   %0, {q8-q9}\n\t"
    // Jtr -= J*residual
    "vmls.f32  q8, q10, q12\n\t"
    "vmls.f32  q9, q11, q12\n\t"
    // store result
    "vstmia   %0, {q8-q9}\n\t"
    // output
    :
    // input
    : "r"(Jtr), "r"(J), "r"(residual)
    // registers
    : "q8", "q9", "q10", "q11", "q12"
);