Question

我正在尝试使用Neon内在函数为ARM A8处理器编写优化的点积，但我遇到了一些麻烦。首先，是否有任何库已经实现了这个？我的代码似乎有效，但在运行时会导致一些安静的失败 - 我最好的猜测是因为与未经优化的代码相比，精度略有下降。有没有更好的方法来完成我想要做的事情？我将非常感谢任何帮助或建议。提前谢谢。

这个特殊的点积是一个32位浮点* 32位浮点复数。

这是未经优化的代码：

    double sum_re = 0.0;
    double sum_im = 0.0;
    for(int i=0; i<len; i++, src1++, src2++)
    {
            sum_re += *src1 * src2->re;
            sum_im += *src1 * src2->im;
    }

这是我的优化版本：

    float sum_re = 0.0;
    float sum_im = 0.0;

    float to_sum_re[4] = {0,0,0,0};
    float to_sum_im[4] = {0,0,0,0};

    float32x4_t tmp_sum_re, tmp_sum_im, source1;
    float32x4x2_t source2;
    tmp_sum_re = vld1q_f32(to_sum_re);
    tmp_sum_im = vld1q_f32(to_sum_im);

    int i = 0;

    while (i < (len & ~3)) {
            source1 = vld1q_f32(&src1[i]);
            source2 = vld2q_f32((const float32_t*)&src2[i]);

            tmp_sum_re = vmlaq_f32(tmp_sum_re, source1, source2.val[0]);
            tmp_sum_im = vmlaq_f32(tmp_sum_im, source1, source2.val[1]);

            i += 4;
    }
    if (len & ~3) {
            vst1q_f32(to_sum_re, tmp_sum_re);
            vst1q_f32(to_sum_im, tmp_sum_im);

            sum_re += to_sum_re[0] + to_sum_re[1] + to_sum_re[2] + to_sum_re[3];
            sum_im += to_sum_im[0] + to_sum_im[1] + to_sum_im[2] + to_sum_im[3];
    }

    while (i < len)
    {
            sum_re += src1[i] * src2[i].re;
            sum_im += src1[i] * src2[i].im;
            i++;
    }

Answer 1

如果您使用的是iOS，请在Accelerate框架中使用vDSP_zrdotpr。（vDSP_zrdotpr返回带有复矢量的实矢量的点积。还有其他变量，例如实数到实数或复数到复数。）

当然会失去精确度;你的未经优化的代码会累积双精度和，而NEON代码会累积单精度和。

即使没有精确更改，结果也会有所不同，因为以不同顺序执行浮点运算会产生不同的舍入误差。（对于整数也是如此;如果计算7/3 * 5，则得到10，但5 * 7/3为11。）

有一些算法可以进行浮点运算，减少误差。但是，对于高性能点阵产品，您通常会遇到困难。

一种选择是使用双精度NEON指令进行算术运算。当然，这不会像单精度NEON一样快，但它会比标量（非NEON）代码更快。

Answer 2

至于其他实现，还有来自ARM的NEON OpenMAX DL实现。链接到http://www.arm.com/community/multimedia/standards-apis.php。

下载需要注册，格式是RVCT汇编程序，但是为了查看一组如何使用NEON（包括点积实现）的例子，它非常好。

Answer 3

这是我做过的，现在是商业产品。希望它有所帮助。唯一的要求是两个被乘数（src1，srcs-＆gt; re）必须是四的倍数。

float dotProduct4 (const float *a, const float *b, int n) {
float net1D=0.0f;
assert(n%4==0);     // required floats 'a' & 'b' to be multiple of 4
#ifdef __ARM_NEON__
asm volatile (
              "vmov.f32 q8, #0.0          \n\t" // zero out q8 register
              "1:                         \n\t"
              "subs %3, %3, #4            \n\t" // we load 4 floats into q0, and q2 register
              "vld1.f32 {d0,d1}, [%1]!    \n\t" // loads q0, update pointer *a
              "vld1.f32 {d4,d5}, [%2]!    \n\t" // loads q2, update pointer *b
              "vmla.f32 q8, q0, q2        \n\t" // store four partial sums in q8
              "bgt 1b                     \n\t"   // loops to label 1 until n==0
              "vpadd.f32 d0, d16, d17     \n\t"   // pairwise add 4 partial sums in q8, store in d0
              "vadd.f32 %0, s0, s1        \n\t"   // add 2 partial sums in d0, store result in return variable net1D
              : "=w"(net1D)                 // output
              : "r"(a), "r"(b), "r"(n)      // input
              : "q0", "q2", "q8");          // clobber list
#else
for (int k=0; k < n; k++) {
    net1D += a[k] * b[k];
}
#endif
return net1D;
}

Dot Product / w Neon Intrinsics

3 个答案: