使用 NEON 在 ARM 汇编中对四字向量中的所有元素求和

Posted 2023-02-16

【中文标题】使用 NEON 在 ARM 汇编中对四字向量中的所有元素求和

【英文标题】：Sum all elements in a quadword vector in ARM assembly with NEON

【发布时间】：2011-08-03 18:17:05

【问题描述】：

我对组装相当陌生，虽然 arm 信息中心通常很有帮助，但有时这些说明可能会让新手有些困惑。基本上我需要做的是在一个四字寄存器中对 4 个浮点值求和，并将结果存储在一个单精度寄存器中。我认为指令 VPADD 可以做我需要的，但我不太确定。

【参考方案1】：

你可以试试这个（它不在 ASM 中，但你应该可以很容易地转换它）：

float32x2_t r = vadd_f32(vget_high_f32(m_type), vget_low_f32(m_type));
return vget_lane_f32(vpadd_f32(r, r), 0);

在 ASM 中可能只有 VADD 和 VPADD。

我不确定这是否只是一种方法（也是最佳方法），但我还没有想出/找到更好的方法...

PS。我也是NEON的新手

【讨论】：

感谢我设法使用一个 VPADD 和两个 VADD 让它工作，我希望只需要使用 1 或 2 条指令，但我认为 3 只需要这样做。

你能展示你的 ASM 吗？我认为它只需要一个 VADD 和一个 VPADD（至少从 C 代码来看）

我想知道我们是否可以直接使用vaddvq_f32。它将直接跨向量执行加法

【参考方案2】：

看来你想得到一定长度的数组的总和，而不仅仅是四个浮点值。

在这种情况下，您的代码可以工作，但远未优化：

许多管道互锁

每次迭代不必要的 32 位添加

假设数组的长度是8的倍数且至少是16：

  vldmia q0-q1, [pSrc]!
  sub count, count, #8
loop:
  pld [pSrc, #32]
  vldmia q3-q4, [pSrc]!
  subs count, count, #8
  vadd.f32 q0, q0, q3
  vadd.f32 q1, q1, q4
  bgt loop

  vadd.f32 q0, q0, q1
  vpadd.f32 d0, d0, d1
  vadd.f32 s0, s0, s1

pld - 虽然是 ARM 指令而不是 NEON - 对性能至关重要。它大大提高了缓存命中率。

我希望上面的其余代码是不言自明的。

您会注意到此版本比您的初始版本快很多倍。

【参考方案3】：

这是 ASM 中的代码：

    vpadd.f32 d1,d6,d7    @ q3 is register that needs all of its contents summed          
    vadd.f32 s1,s2,s3     @ now we add the contents of d1 together (the sum)                
    vadd.f32 s0,s0,s1     @ sum += s1;

我可能忘了提到在 C 中的代码应该是这样的：

float sum = 1.0f;
sum += number1 * number2;

我省略了这段小汇编代码中的乘法。