Question

我正在尝试使用NEON优化OpenCV代码的某些部分。这是我工作的原始代码块。（注意：如果它有任何重要性，你可以在“opencvfolder / modules / video / src / lkpyramid.cpp”找到完整的源代码。它是一个对象跟踪算法的实现。）

for( ; x < colsn; x++ )
{
    deriv_type t0 = (deriv_type)(trow0[x+cn] - trow0[x-cn]);
    deriv_type t1 = (deriv_type)((trow1[x+cn] + trow1[x-cn])*3 + trow1[x]*10);
    drow[x*2] = t0; drow[x*2+1] = t1;

}

在此代码中，deriv_type的大小为2个字节。这是我写的NEON汇编。使用原始代码，我测量10-11 fps。有了NEON，情况更糟，我只能得到5-6 fps。我对NEON并不是很了解，可能这段代码中有很多错误。我哪里做错了？感谢

for( ; x < colsn; x+=4 )
{
    __asm__ __volatile__(
    "vld1.16 d2, [%2] \n\t" // d2 = trow0[x+cn]
    "vld1.16 d3, [%3] \n\t" // d3 = trow0[x-cn]
    "vsub.i16 d9, d2, d3 \n\t" // d9 = d2 - d3

    "vld1.16 d4, [%4] \n\t" // d4 = trow1[x+cn]
    "vld1.16 d5, [%5] \n\t" // d5 = trow1[x-cn]
    "vld1.16 d6, [%6] \n\t" // d6 = trow1[x]

    "vmov.i16 d7, #3 \n\t"  // d7 = 3
    "vmov.i16 d8, #10 \n\t" // d8 = 10


    "vadd.i16 d4, d4, d5 \n\t" // d4 = d4 + d5
    "vmul.i16 d10, d4, d7 \n\t" // d10 = d4 * d7
    "vmla.i16 d10, d6, d8 \n\t" // d10 = d10 + d6 * d8

    "vst2.16 {d9,d10}, [%0] \n\t" // drow[x*2] = d9; drow[x*2+1] = d10;
    //"vst1.16 d4, [%1] \n\t"

    :   //output
    :"r"(drow+x*2), "r"(drow+x*2+1), "r"(trow0+x+cn), "r"(trow0+x-cn), "r"(trow1+x+cn), "r"(trow1+x-cn), "r"(trow1) //input
    :"d2", "d3", "d4", "d5", "d6", "d7", "d8", "d9", "d10"  //registers


    );
}

修改

这是内在的verison。它与之前几乎相同。它仍然运作缓慢。

const int16x8_t vk3 = { 3, 3, 3, 3, 3, 3, 3, 3 };
const int16x8_t vk10 = { 10, 10, 10, 10, 10, 10, 10, 10 };

for( ; x < colsn; x+=8 )
{
                int16x8x2_t loaded;
                int16x8_t t0a = vld1q_s16(&trow0[x + cn]);
                int16x8_t t0b = vld1q_s16(&trow0[x - cn]);
                loaded.val[0] = vsubq_s16(t0a, t0b); // t0 = (trow0[x + cn] - trow0[x - cn])

                loaded.val[1] = vld1q_s16(&trow1[x + cn]);
                int16x8_t t1b = vld1q_s16(&trow1[x - cn]);
                int16x8_t t1c = vld1q_s16(&trow1[x]);

                loaded.val[1] = vaddq_s16(loaded.val[1], t1b);
                loaded.val[1] = vmulq_s16(loaded.val[1], vk3);
                loaded.val[1] = vmlaq_s16(loaded.val[1], t1c, vk10);
}

Answer 1

由于数据危害，您正在创建大量管道停滞。例如这三条指令：

"vadd.i16 d4, d4, d5 \n\t" // d4 = d4 + d5
"vmul.i16 d10, d4, d7 \n\t" // d10 = d4 * d7
"vmla.i16 d10, d6, d8 \n\t" // d10 = d10 + d6 * d8

它们每个只发出1条指令，但它们之间存在多个循环停顿，因为结果尚未就绪（NEON instruction scheduling）。

尝试展开循环几次并交错指令。如果使用内在函数，编译器可能会为您执行此操作。在指令调度等方面击败编译器并非不可能，但它很难并且通常不值得（这可能不会过早地优化）。

修改

你的内在代码是合理的，我怀疑编译器没有做得很好。看看它产生的汇编代码（objdump -d），您可能会发现它也会产生很多管道危险。更高版本的编译器可能有所帮助，但如果不是，您可能需要自己修改循环以隐藏结果的延迟（您将需要指令时序）。保持当前代码，因为它是正确的，并且应该由聪明的编译器优化。

你最终会得到类似的东西：

// do step 1 of first iteration
// ...
for (int i = 0; i < n - 1; i++) {
  // do step 1 of (i+1)th
  // do step 2 of (i)th
  // with their instructions interleaved
  // ...
}
// do step 2 of (n-1)th
// ...

您还可以将循环拆分为两个以上的步骤，或者将循环展开几次（例如，将i++更改为i+=2，将循环体加倍，然后更改i下半场到i+1。我希望这个答案有所帮助，如果有什么不清楚，请告诉我！

Answer 2

那里有一些循环不变的东西需要移动到for循环之外 - 这可能会有所帮助。

您还可以考虑使用全宽度SIMD操作，这样您就可以在每次循环迭代中处理8 ppints而不是4。

最重要的是，您应该使用内在函数而不是原始asm，以便编译器可以处理窥孔优化，寄存器分配，指令调度，循环展开等。

E.g。

// constants - init outside loop

const int16x8_t vk3 = { 3, 3, 3, 3, 3, 3, 3, 3 };
const int16x8_t vk10 = { 10, 10, 10, 10, 10, 10, 10, 10 };

for( ; x < colsn; x += 8)
{
    int16x8_t t0a = vld1q_s16(&trow0[x + cn]);
    int16x8_t t0b = vld1q_s16(&trow0[x - cn]);
    int16x8_t t0 = vsubq_s16(t0a, t0b); // t0 = (trow0[x + cn] - trow0[x - cn])

    // ...
}

使用NEON装配进行优化

2 个答案: