Question

我已将部分算法从C转换为ARM Assembler（使用NEON指令），但现在它比原始C代码慢2倍。如何提高绩效？

Target是ARM Cortex-A9。

该算法从数组中读取64位值。从该值中提取一个字节，然后将其用作另一个表的查找值。这部分大约完成了10次，每个结果表值与其他值进行异或，最终结果写入另一个数组。

这样的事情：

result[i] = T0[ GetByte0( a[i1] ) ] ^ T1[ GetByte1( a[i2] ) ] ^ ... ^ T10[ (...) ];

在我的方法我加载“一”在NEON寄存器，然后在移动的臂寄存器中的右字节整个阵列，计算偏移量，然后加载从表中的值：

vldm.64 r0, {d0-d7}         //Load 8x64Bit from the input array

vmov.u8 r12, d0[0]          //Mov the first Byte from d0 into r12
add r12, r2, r12, asl #3    // r12 = base_adress + r12 << 3
vldr.64 d8, [r12]           // d8 = mem[r12]
.
.
.
veor d8, d8, d9             // d8 = d8 ^ d9
veor d8, d8, d10            // d8 = d8 ^d10      ...ect.

其中r2保存查找表的基地址。

adress = Table_adress + (8* value_fromByte);

此步骤（开头加载除外）完成100次。为什么这么慢？

“vld”，“vldr”和“vldm”之间有什么区别 - 哪一个是最快的。如何仅在霓虹灯寄存器中执行偏移计算？谢谢。

Answer 1

Neon不太能处理大于VTBL指令限制的Lookups（如果我没记错的话，是32字节）。
如何创建查找表以开始？如果它只是计算，只需让Neon做数学而不是求助于查找。这样会快得多。

Answer 2

不要使用

vmov.u8 r12, d0[0]

将数据从NEON寄存器移动到ARM寄存器是您可以做的最糟糕的事情。

也许你应该看看VTBL指令！你的字节范围是0..255？

Answer 3

可能你可以试试

ldrb     r12, [r0], #1
add      r3, r2, r12, asl #3
vld1.64  {d0}, [r3]

ldrb     r12, [r0], #1
add      r3, r2, r12, asl #3
vld1.64  {d1}, [r3]
veor     d0, d0, d1         // d8 = d8 ^ d1

ldrb     r12, [r0], #1
add      r3, r2, r12, asl #3
vld1.64  {d1}, [r3]
veor     d0, d0, d1         // d8 = d8 ^ d1

...

这不是最好的解决方案。之后，您可以通过重新订购指令来提高性能。

Answer 4

尝试使用NEON“内在函数”。基本上它们是编译为NEON指令的C函数。编译器仍然可以完成所有指令调度，并且您可以免费获得其他无聊的东西（移动数据）。

它并不总是完美无缺，但它可能比尝试手动编码更好。

寻找arm_neon.h。

ARM汇编程序NEON - 提高性能

4 个答案: