Question

在这里参考@ auselen的答案：Using ARM NEON intrinsics to add alpha and permute，看起来armcc编译器比用于NEON优化的gcc编译器要好得多。这是真的吗？我还没有真正尝试过armcc编译器。但是我使用带有-O3优化标志的gcc编译器获得了相当优化的代码。但现在我想知道armcc是否真的那么好？那么考虑到所有因素，两个编译器中哪一个更好？

Answer 1

编译器也是软件，它们往往会随着时间的推移而改进。像armcc这样的通用声明比NEON上的GCC更好（或者更好地称为矢量化）不能永远成立，因为一个开发者组可以通过足够的注意力来缩小差距。然而，最初期望硬件公司开发的编译器更优越，因为他们需要演示/推广这些功能。

我最近看到的一个例子是关于answer for branch prediction的Stack Overflow。从更新部分的最后一行引用“这表明即使是成熟的现代编译器在优化代码的能力方面也会有很大差异......”。

我是GCC的忠实粉丝，但我不打赌它针对来自英特尔或ARM的编译器生成的代码质量。我希望任何主流商业编译器都能生成至少与GCC一样好的代码。

对这个问题的一个经验性答案可能是使用hilbert-space's neon optimization example，看看不同的编译器如何优化它。

void neon_convert (uint8_t * __restrict dest, uint8_t * __restrict src, int n)
{
  int i;
  uint8x8_t rfac = vdup_n_u8 (77);
  uint8x8_t gfac = vdup_n_u8 (151);
  uint8x8_t bfac = vdup_n_u8 (28);
  n/=8;

  for (i=0; i<n; i++)
  {
    uint16x8_t  temp;
    uint8x8x3_t rgb  = vld3_u8 (src);
    uint8x8_t result;

    temp = vmull_u8 (rgb.val[0],      rfac);
    temp = vmlal_u8 (temp,rgb.val[1], gfac);
    temp = vmlal_u8 (temp,rgb.val[2], bfac);

    result = vshrn_n_u16 (temp, 8);
    vst1_u8 (dest, result);
    src  += 8*3;
    dest += 8;
  }
}

这是armcc 5.01

  20:   f421140d    vld3.8  {d1-d3}, [r1]!
  24:   e2822001    add r2, r2, #1
  28:   f3810c04    vmull.u8    q0, d1, d4
  2c:   f3820805    vmlal.u8    q0, d2, d5
  30:   f3830806    vmlal.u8    q0, d3, d6
  34:   f2880810    vshrn.i16   d0, q0, #8
  38:   f400070d    vst1.8  {d0}, [r0]!
  3c:   e1520003    cmp r2, r3
  40:   bafffff6    blt 20 <neon_convert+0x20>

这是GCC 4.4.3-4.7.1

  1e:   f961 040d   vld3.8  {d16-d18}, [r1]!
  22:   3301        adds    r3, #1
  24:   4293        cmp r3, r2
  26:   ffc0 4ca3   vmull.u8    q10, d16, d19
  2a:   ffc1 48a6   vmlal.u8    q10, d17, d22
  2e:   ffc2 48a7   vmlal.u8    q10, d18, d23
  32:   efc8 4834   vshrn.i16   d20, q10, #8
  36:   f940 470d   vst1.8  {d20}, [r0]!
  3a:   d1f0        bne.n   1e <neon_convert+0x1e>

看起来非常相似，所以我们有一个平局。看到这个后，我尝试了再次添加alpha和置换。

void neonPermuteRGBtoBGRA(unsigned char* src, unsigned char* dst, int numPix)
{
    numPix /= 8; //process 8 pixels at a time

    uint8x8_t alpha = vdup_n_u8 (0xff);

    for (int i=0; i<numPix; i++)
    {
        uint8x8x3_t rgb  = vld3_u8 (src);
        uint8x8x4_t bgra;

        bgra.val[0] = rgb.val[2]; //these lines are slow
        bgra.val[1] = rgb.val[1]; //these lines are slow 
        bgra.val[2] = rgb.val[0]; //these lines are slow

        bgra.val[3] = alpha;

        vst4_u8(dst, bgra);

        src += 8*3;
        dst += 8*4;
    }
}

使用gcc编译......

$ arm-linux-gnueabihf-gcc --version
arm-linux-gnueabihf-gcc (crosstool-NG linaro-1.13.1-2012.05-20120523 - Linaro GCC 2012.05) 4.7.1 20120514 (prerelease)
$ arm-linux-gnueabihf-gcc -std=c99 -O3 -c ~/temp/permute.c -marm -mfpu=neon-vfpv4 -mcpu=cortex-a9 -o ~/temp/permute_gcc.o

00000000 <neonPermuteRGBtoBGRA>:
   0:   e3520000    cmp r2, #0
   4:   e2823007    add r3, r2, #7
   8:   b1a02003    movlt   r2, r3
   c:   e92d01f0    push    {r4, r5, r6, r7, r8}
  10:   e1a021c2    asr r2, r2, #3
  14:   e24dd01c    sub sp, sp, #28
  18:   e3520000    cmp r2, #0
  1c:   da000019    ble 88 <neonPermuteRGBtoBGRA+0x88>
  20:   e3a03000    mov r3, #0
  24:   f460040d    vld3.8  {d16-d18}, [r0]!
  28:   eccd0b06    vstmia  sp, {d16-d18}
  2c:   e59dc014    ldr ip, [sp, #20]
  30:   e2833001    add r3, r3, #1
  34:   e59d6010    ldr r6, [sp, #16]
  38:   e1530002    cmp r3, r2
  3c:   e59d8008    ldr r8, [sp, #8]
  40:   e1a0500c    mov r5, ip
  44:   e59dc00c    ldr ip, [sp, #12]
  48:   e1a04006    mov r4, r6
  4c:   f3c73e1f    vmov.i8 d19, #255   ; 0xff
  50:   e1a06008    mov r6, r8
  54:   e59d8000    ldr r8, [sp]
  58:   e1a0700c    mov r7, ip
  5c:   e59dc004    ldr ip, [sp, #4]
  60:   ec454b34    vmov    d20, r4, r5
  64:   e1a04008    mov r4, r8
  68:   f26401b4    vorr    d16, d20, d20
  6c:   e1a0500c    mov r5, ip
  70:   ec476b35    vmov    d21, r6, r7
  74:   f26511b5    vorr    d17, d21, d21
  78:   ec454b34    vmov    d20, r4, r5
  7c:   f26421b4    vorr    d18, d20, d20
  80:   f441000d    vst4.8  {d16-d19}, [r1]!
  84:   1affffe6    bne 24 <neonPermuteRGBtoBGRA+0x24>
  88:   e28dd01c    add sp, sp, #28
  8c:   e8bd01f0    pop {r4, r5, r6, r7, r8}
  90:   e12fff1e    bx  lr

使用armcc编译......

$ armcc
ARM C/C++ Compiler, 5.01 [Build 113]
$ armcc --C99 --cpu=Cortex-A9 -O3 -c permute.c -o permute_arm.o

00000000 <neonPermuteRGBtoBGRA>:
   0:   e1a03fc2    asr r3, r2, #31
   4:   f3870e1f    vmov.i8 d0, #255    ; 0xff
   8:   e0822ea3    add r2, r2, r3, lsr #29
   c:   e1a031c2    asr r3, r2, #3
  10:   e3a02000    mov r2, #0
  14:   ea000006    b   34 <neonPermuteRGBtoBGRA+0x34>
  18:   f420440d    vld3.8  {d4-d6}, [r0]!
  1c:   e2822001    add r2, r2, #1
  20:   eeb01b45    vmov.f64    d1, d5
  24:   eeb02b46    vmov.f64    d2, d6
  28:   eeb05b40    vmov.f64    d5, d0
  2c:   eeb03b41    vmov.f64    d3, d1
  30:   f401200d    vst4.8  {d2-d5}, [r1]!
  34:   e1520003    cmp r2, r3
  38:   bafffff6    blt 18 <neonPermuteRGBtoBGRA+0x18>
  3c:   e12fff1e    bx  lr

在这种情况下，armcc会产生更好的代码。我认为这证明fgp's answer above是正确的。大多数时候GCC会产生足够好的代码，但你应该关注关键部分，或者最重要的是首先必须测量/分析。

Answer 2

如果你使用NEON内在函数，编译器应该没那么重要。大多数（如果不是全部）NEON内在函数转换为单个NEON指令，因此编译器唯一留下的是寄存器分配和指令调度。根据我的经验，GCC 4.2和Clang 3.1在这些任务中表现得相当不错。

但请注意，NEON指令比NEON指纹更具表现力。例如，NEON加载/存储指令具有前后增量的附加模式，它们将加载或存储与地址寄存器的增量相结合，从而为您节省一条指令。 NEON内在函数不提供明确的方法，而是依赖于编译器将调整器NEON加载/存储内在函数和地址增量组合到带有后递增的加载/存储指令中。类似地，某些加载/存储指令允许您指定内存地址的对齐，如果指定更严格的对齐保证，则执行速度更快。同样，NEON内在函数不允许您明确指定对齐，而是依赖编译器推导出正确的对齐说明符。从理论上讲，你在指针上使用“align”属性来为编译器提供合适的提示，但至少Clang似乎忽略了这些......

根据我的经验，当涉及到这些优化时，Clang和GCC都不是很亮。幸运的是，这些优化的额外性能优势通常不是那么高 - 更像是10％而不是100％。

这两个编译器不是特别聪明的另一个领域是避免堆栈溢出。如果您使用的代码使用的矢量值变量比NEON寄存器多，那么我看起来两个编译器都会生成可怕的代码。基本上，他们似乎做的是根据假设有足够的寄存器来安排指令。寄存器分配似乎随后出现，并且似乎只是在寄存器运行后将值溢出到堆栈中。因此，请确保代码的工作集少于16个128位向量或32位64位向量！

总的来说，我从GCC和Clang得到了相当不错的结果，但我经常不得不重新组织代码以避免编译器特性。我的建议是坚持使用GCC或Clang，但要定期检查您选择的反汇编程序。

所以，总的来说，我认为坚持GCC是好的。您可能希望查看性能关键部分的反汇编，并检查它是否合理。

哪个更好，gcc或armcc用于NEON优化？

2 个答案: