ARM處理器NEON編程及優(yōu)化技巧——處理剩余的元素
加入技術(shù)交流群
關(guān)鍵字： ARM NEON Cortex-A8 cache 對齊
本文引用地址：http://www.2s4d.com/article/201611/317425.htm剩余的元素Leftovers
通常NEON會向量處理從4個到16個元素長度的數(shù)據(jù)，如果你發(fā)現(xiàn)你的數(shù)組不是這個這個長度的整數(shù)倍，你就需要單獨處理那些剩下來的幾個元素。如你每次可以使用NEON來加載處理并存儲8個元素的數(shù)據(jù)，但是你的數(shù)組有21個元素，你就需要先迭代兩次，然后第三次，你只剩下5個元素，此時應(yīng)該如何處理呢？
Fixing Up修復(fù)處理方式
有三種處理方式來處理剩下來的元素，這些方法的需求、性能和代碼大小不同，下面順序介紹，從速度最快的方法開始。
Larger Arrays更大的數(shù)組
如果改變你要處理的數(shù)組大小，比如增加數(shù)組大小到向量大小的整數(shù)倍，這樣就能在最后一次數(shù)據(jù)處理時也按照向量大小處理而不會把臨近的數(shù)據(jù)損壞。如上面的例子里，把數(shù)組大小增加到24個元素，這樣就能用NEON用3次迭代完成所有的數(shù)據(jù)處理而不會損壞周邊數(shù)據(jù)。
圖1. 填補數(shù)組到向量的整數(shù)個大小
注意事項Notes
- 分配更大的數(shù)組需要更多的存儲空間，這會增加相當大的空間如果包含非常多的短數(shù)組；
- 在數(shù)組后面填補的數(shù)據(jù)元素需要初始化為一個不會影響到結(jié)果的值，例如你要做加法，那這個新元素需要初始化為0以影響計算結(jié)果。
- 一些情況下，可能沒法初始化填充的數(shù)據(jù)，無論填充什么都會影響計算的結(jié)果；
Code Fragment代碼片段實例
@ r0 是輸入的數(shù)組指針；
@ r1 是輸出數(shù)組指針；
@ r2 是數(shù)組數(shù)據(jù)的長度；
假設(shè)數(shù)組長度大于0，是向量大小的整數(shù)倍，并且大于或者等于數(shù)組的長度；
add r2, r2, #7 @ 數(shù)據(jù)長度加上向量長度-1
lsr r2, r2, #3 @ 把數(shù)組長度變成向量個數(shù)，即除以向量大小8
loop:
subs r2, r2, #1 @ 減少循環(huán)計數(shù)器個數(shù)
vld1.8 {d0}, [r0]! @ 從數(shù)組加載8個元素，從地址r0到寄存器d0，然后更新地址寄存器r0到下一個向量地址；
...
... @ 處理在d0寄存器的數(shù)據(jù)
...
vst1.8 {d0}, [r1]! @ 把8個結(jié)果元素保存到輸出數(shù)組，更新地址r1到下一個向量
bne loop @ 如果r2不等于0，繼續(xù)循環(huán)
Overlapping重疊計算
如果進行數(shù)據(jù)處理的操作合適的話，可以考慮把剩余部分的元素通過重疊計算的方式處理，這就會把某些重疊部分的元素計算兩次。如下面的例子里，第一次迭代計算元素0到7，第一次計算5到12，第三次計算13到20。從而第一次計算和第二次計算重疊的元素5到7就被計算了兩次。
arm.com/index.php?app=core&module=attach§ion=attach&attach_rel_module=blogentry&attach_id=419" rel="nofollow" >
圖2. 重疊向量，在橙色區(qū)域的數(shù)據(jù)計算兩次
Notes需要事項
- 重疊處理只適用于需要處理的數(shù)組長度不會隨著每次迭代而改變的情況，但不適用于每次迭代結(jié)果改變的情況，如累加計算，這樣重疊部分的數(shù)據(jù)會被計算兩次；
- 數(shù)組內(nèi)元素的個數(shù)至少大于一次完整迭代的向量大小；
Code Fragment代碼片段實例
@ r0 是輸入的數(shù)組指針；
@ r1 是輸出數(shù)組指針；
@ r2 是數(shù)組數(shù)據(jù)的長度；
假設(shè)數(shù)據(jù)操作冪等，并且數(shù)組長度大于等于一個向量大小長度。
ands r3, r2, #7 @ 計算每次處理完整個向量后剩余元素個數(shù)，使用與操作
beq loopsetup @ 如果剩余元素個數(shù)為0，則數(shù)組長度是整數(shù)個向量大小，不用重疊計算，單獨處理第一個元素部分
vld1.8 {d0}, [r0], r3 @ 加載數(shù)組第一個向量，然后更新數(shù)組大小為剩余元素個數(shù)r3內(nèi)保持
...
... @ 處理d0寄存器內(nèi)的輸入數(shù)據(jù)
...
vst1.8 {d0}, [r1], r3 @ 保持8個元素到輸出數(shù)組，更新指針，然后開始處理循環(huán)
loopsetup:
lsr r2, r2, #3 @ 把數(shù)組長度除以8，計算循環(huán)迭代次數(shù)，若干元素跟第一次迭代的重疊
loop:
subs r2, r2, #1 @ 減少循環(huán)計數(shù)器個數(shù)
vld1.8 {d0}, [r0]! @ 從數(shù)組加載8個元素，從地址r0到寄存器d0，然后更新地址寄存器r0到下一個向量地址；
...
... @ 處理在d0寄存器的數(shù)據(jù)
...
vst1.8 {d0}, [r1]! @ 把8個結(jié)果元素保存到輸出數(shù)組，更新地址r1到下一個向量
bne loop @ 如果r2不等于0，繼續(xù)循環(huán)
單個元素的計算過程Single Elements
NEON提供了能處理向量里的單一元素的加載和存儲指令，用這些指令，你能加載包含一個元素的部分向量，處理它然后把結(jié)果保存到內(nèi)存。如下面的例子，前兩次的迭代處理跟前面類似，處理元素0到7以及8到15，剩下的5個元素可以在第三次迭代處理，加載處理并存儲單一的元素。
圖3. 處理單一的元素實例
注意事項
- 這種方法比前面的兩種方法速度要慢，每個元素的處理都需要單獨進行；
- 這種的剩余元素處理方法需要兩個迭代循環(huán)，第一個處理向量的循環(huán)，還有處理剩余元素的循環(huán)，這會增加代碼大小；
- NEON的單一元素加載只改變目標元素的值，而保留其他的元素不變，如果你向量計算的指令會在一個向量間反復(fù)計算，如VPADD，這些寄存器需要在第一個元素加載時初始化。
代碼片段
@ r0 是輸入的數(shù)組指針；
@ r1 是輸出數(shù)組指針；
@ r2 是數(shù)組數(shù)據(jù)的長度；
lsrs r3, r2, #3 @ 計算向量循環(huán)迭代的次數(shù)
beq singlesetup @ 如果沒有完整的一次迭代向量計算，則跳轉(zhuǎn)到單一元素處理循環(huán)
@ 處理向量循環(huán)
vectors:
subs r3, r3, #1 @減少循環(huán)計數(shù)器個數(shù)
vld1.8 {d0}, [r0]! @ 從數(shù)組加載8個元素，從地址r0到寄存器d0，然后更新地址寄存器r0到下一個向量地址；
...
... @ 處理在d0寄存器的數(shù)據(jù)
...
vst1.8 {d0}, [r1]! @ 把8個結(jié)果元素保存到輸出數(shù)組，更新地址r1到下一個向量
bne vectors @如果r3不等于0，繼續(xù)循環(huán)
singlesetup:
ands r3, r2, #7 @ 計算單一元素迭代的次數(shù)
beq exit @ 如果單一元素計算次數(shù)為0，則跳轉(zhuǎn)退出
@ 處理單一元素的循環(huán)
singles:
subs r3, r3, #1 @減少循環(huán)計數(shù)器個數(shù)
vld1.8 {d0[0]}, [r0]! @從數(shù)組加載單一元素，從地址r0到寄存器d0，然后更新地址寄存器r0到下一個地址
...
... @ 處理在d0[0]內(nèi)的輸入數(shù)據(jù)
...
vst1.8 {d0[0]}, [r1]! @ 保存單一元素結(jié)果到輸出數(shù)組，更新指針地址
bne singles @如果r3不等于0，繼續(xù)循環(huán)
exit:
其他的考慮
在開始處還是結(jié)束處
用重疊計算的方式以及用單一元素處理都能在數(shù)組開始處或者結(jié)束處處理，因而代碼就要考慮兩種實現(xiàn)方式哪種效率高些，哪個更適合你的系統(tǒng)應(yīng)用。
數(shù)據(jù)對齊
加載或者存儲指令的地址應(yīng)該對齊到cache line，這樣內(nèi)存的訪問效率更高。這樣就需要在Cortex-A8的處理器上至少16字對齊，如果你不能把輸入和輸出數(shù)組的起始地址對齊到16字，你就必須處理開始和結(jié)束數(shù)據(jù)處理的那若干個元素以使得后續(xù)的數(shù)據(jù)訪問是對齊到cache行的。為了使用內(nèi)存對齊的方式訪問內(nèi)存以提高速度，你在使用NEON指令時需要使用諸如64或者128或者256等地址限定符來制定加載和存儲指令。你可以比較發(fā)出一個對齊的訪問和非對齊訪問的性能，以下是始終周期的頁面Cortex-A8 TRM.
使用ARM來做修復(fù)
在使用單個元素處理的情況下，你可以使用ARM指令來進行單個元素的操作，但是同時使用ARM和NEON來訪問同一塊區(qū)域的內(nèi)存會降低系統(tǒng)性能，因為從ARM的流水線發(fā)出的寫操作會在NEON的流水線完成之后才能進行。因而你要盡量的避免在ARM和NEON的代碼里同時訪問同一塊內(nèi)存區(qū)域（當然，這同一塊內(nèi)存區(qū)域也對應(yīng)于同一個cache line）
評論