在 ARM Cortex A8 上的汇编中 XOR NEON 向量/寄存器的所有元素/通道（成对？）

Posted 2023-02-16

【中文标题】在 ARM Cortex A8 上的汇编中 XOR NEON 向量/寄存器的所有元素/通道（成对？）

【英文标题】：XOR all elements/lanes of NEON vector/register (pairwise?) in assembly on ARM Cortex A8

【发布时间】：2014-05-18 21:55:51

【问题描述】：

我不确定这里的确切命名法是什么，但问题是：

我正在处理校验和，我想获取许多不同的 [32 位] 值，将它们存储在 NEON 向量的元素中，将它们异或在一起，然后将结果传回给用于未来计算的 ARM 寄存器。 [校验和有许多基于随机数的不同块，所以我想将这些次要结果“异或”到随机数中，而不会丢失熵]。

我不担心性能（尽管操作越少越好，因为最小化 ARM 的停顿也是如此；NEON 可以停顿它需要的所有东西），或者这不是一个特别可矢量化的操作；我需要为此使用 NEON 装置。

如果有某种水平异或，那将是理想的，其中它将向量的 [4] 个元素相互异或，并返回结果，但这不存在。我显然可以做类似的事情（请原谅残酷的伪代码）：

load value1 s0
load value2 s2
veon d2, d0, d1
load value3 s0
load value4 s2
veon d0, d0,d1
veon d0, d0, d2

但是有更好的方法吗？我知道有成对加法，但似乎没有成对异或。我尽可能灵活地使用尽可能多的寄存器通道或寄存器。

TL;DR：我需要在 NEON 上做：res = val1 ^ val2 ^ val3 ^ val4，这可能很愚蠢，但我正在寻找最不愚蠢的方法。

谢谢！

【问题讨论】：

您可以使用 vld4 指令将连续存储在内存中的 4 个 32 位整数加载到 4 个不同的寄存器中。这样，您可以并行异或 4 组 4 个值。

这可能会有所帮助，但数量来自 ARM 寄存器，因此在将它们加载到 NEON 寄存器之前将它们移回内存可能没有好处。另外，我没有 4 组四个值。在任何给定的块中，我都有 一个 组的四个值，我希望将它们全部异或在一起。

如果您的值已经在四个 ARM 寄存器中，只需在 ARM 模式下执行三个 EOR。即使将 ARM 寄存器转移到 NEON 寄存器并且根本不进行任何计算，也比仅使用良好的旧 ARM 计算结果要花费更长的时间。

我需要使用 NEON，因为...我需要使用 NEON。我试图解释a）。这是愚蠢的b）。我知道性能会受到影响和c）。这不是本质上的 SIMD 操作。但我不断得到不相关的答案。如果没有其他问题，我会接受下面的。

【参考方案1】：

NEON 的做法。需要展开循环以获得更好的性能，因为它尝试使用需要时间加载的数据。

vld1.u32 q0,[r0]!        ; load 4 32-bit values into Q0
veor.u32 d0,d0,d1          ; XOR 2 pairs of values (0<-2, 1<-3)
vext.u8 d1,d0,d0,#4    ; shift down "high" value of d0
veor.u32 d0,d0,d1          ; now element 0 of d0 has all 4 values XOR'd together
vmov.u32 r2,d0[0]          ; transfer back to an ARM register
str r2,[r1]!           ; store in output

ARM 的做法。加载数据有点慢，但没有等待从 NEON 到 ARM 寄存器传输的延迟。

ldmia r0!,r4-r7      ; load 4 32-bit values
eor r4,r4,r5
eor r4,r4,r6
eor r4,r4,r7           ; XOR all 4 values together
str r4,[r1]!           ; store in output

如果您可以指望执行多组 4 个 32 位值，那么 NEON 可以通过加载一堆寄存器然后处理它们来为您提供优势。如果你只是调用一个可以处理 4 个整数的函数，那么 ARM 版本的性能可能会更好。

【讨论】：

感谢您的回答。我很快就会尝试第一个 [NEON] 版本。

你能解释一下这行吗：vld1.u32 q0,[r0]!？大概它需要一个存储在 r0 的指针并加载四个连续的 32 位字？还是别的什么？