Question

即使我只编译armv7，NEON乘法累加内在函数似乎被分解为单独的乘法和加法。

我已经体验过几个版本的Xcode，最新的4.5版，iOS SDK 5到6版，以及不同的优化设置，都是通过Xcode和命令行直接构建的。

例如，构建和反汇编包含<{p}}的test.cpp

#include <arm_neon.h>

float32x4_t test( float32x4_t a, float32x4_t b, float32x4_t c )
{
   float32x4_t result = a;
   result = vmlaq_f32( result, b, c );
   return result;
}

与

clang++ -c -O3 -arch armv7 -o "test.o" test.cpp
otool -arch armv7 -tv test.o

结果

test.o:
(__TEXT,__text) section
__Z4test19__simd128_float32_tS_S_:
00000000    f10d0910    add.w   r9, sp, #16 @ 0x10
00000004        46ec    mov ip, sp
00000006    ecdc2b04    vldmia  ip, {d18-d19}
0000000a    ecd90b04    vldmia  r9, {d16-d17}
0000000e    ff420df0    vmul.f32    q8, q9, q8
00000012    ec432b33    vmov    d19, r2, r3
00000016    ec410b32    vmov    d18, r0, r1
0000001a    ef400de2    vadd.f32    q8, q8, q9
0000001e    ec510b30    vmov    r0, r1, d16
00000022    ec532b31    vmov    r2, r3, d17
00000026        4770    bx  lr

而不是预期使用vmla.f32。

我做错了什么，拜托？

Answer 1

这是llvm-clang的错误或优化。 armcc或gcc会按照您的预期生成vmla，但如果您阅读 Cortex-A系列程序员指南v3 ，它会说：

20.2.3计划

在某些情况下，可能会有相当长的延迟，尤其是VMLA乘法累加（整数为5个周期;浮点数为7个周期）。应优化使用这些指令的代码，以避免在准备好之前尝试使用结果值，否则会发生停顿。尽管有几个周期结果延迟，但这些指令完全管道化了几个     操作可以立即进行。

因此，llvm-clang将vmla分离为multiply并累积以填充管道是有意义的。

Answer 2

霓虹灯乘加指令执行操作

c = c + a * b

请注意，目的地和其中一个来源是相同的。如果要执行操作

d = c + a * b

编译器必须将其分解为两个指令

d = c
d = d + a * b

替代方案，它可以将其分解为乘法+添加指令

d = a * b
d = d + c

在Cortex-A8 / A9上，两种变体具有相同的吞吐量，但在Cortex-A8上，第二种变体具有较低的延迟，因为乘法 - 加法指令在许多情况下会导致失速。

在iOS上使用NEON乘法累加

2 个答案: