向量中的内在霓虹灯交换元素

Posted 2023-02-16

【中文标题】向量中的内在霓虹灯交换元素

【英文标题】：Intrinsics Neon Swap elements in vector

【发布时间】：2016-09-15 15:29:16

【问题描述】：

我想使用 Neon Intrinsics 优化此类代码。基本上给定的输入

0 1 2 3 4 5 6 7 8

将产生输出，

2 1 0 5 4 3 8 7 6

void func(uint8_t* src, uint8_t* dst, int size)

   for (int i = 0; i < size; i++)
     dst[0] = src[2];
     dst[1] = src[1];
     dst[2] = src[0]
     dst = dst+3;
     src = src+3;
              

我能想到的唯一方法就是使用

uint8x8x3_t src = vld3_u8(src);

获取 3 个向量，然后从 src[2]、src[1]、src[0] 访问每个元素并写入内存。

有人可以帮忙吗？

谢谢。

【问题讨论】：

可以分享示例代码吗？

我现在真的没有时间写一个完整的解决方案，但是看一下ARM文档上面的两条指令应该是不言而喻的。

【参考方案1】：

这在底层指令集中非常容易，因为您正在交换 3 元素结构的两个元素，这实际上已经说明了相关指令：

vld3.u8 d0-d2, [r0]
vswp d0, d2
vst3.u8 d0-d2, [r0]

NEON Programmers Guide 中甚至还有这个确切的示例，因为它是 RGB-BGR 转换，而这正是 NEON 设计的处理类型。

使用内在函数有点棘手，因为 vswp 没有内在函数；你只需要用 C 来表达它并相信编译器会做正确的事：

uint8x8x3_t data = vld3_u8(src);
uint8x8_t tmp = data.val[0];
data.val[0] = data.val[2];
data.val[2] = tmp;
vst3_u8(dest, data);

也就是说，由于手头的编译器是各种版本的 GCC，我无法说服他们中的任何一个实际发出 vswp - 代码生成范围从次优到愚蠢。 Clang 做得更好，但仍然没有vswp；其他编译器可能更聪明。

【讨论】：

感谢您的回答。我使用“vld3q_u8”而不是“vld3_u8”，内在函数的结果似乎更好，但我在汇编中实现了它，但“vld3.u8 d0，d2，d4”只在每个寄存器中加载8个元素。查看引用“vld3q_u8”等效于“vld3.8d0,d2,d4”

使用 vld3q_u8 内在函数一次执行 16 个元素实际上会导致 两个 vld3.u8 指令 - 即 vld3.8d0, d2, d4 [r0]!; vld3.8d1, d3, d5, [r0]（因此最后会出现两个商店，但至少您仍然可以使用 Q 寄存器进行单次交换）。对于一些喜欢尽可能多地交替加载和存储而不是捆绑在一起的 CPU 而言，这可能最终会变得不太理想，但无论如何都要选择你机器上最快的。