在此处参考@auselen 的答案：使用 ARM NEON 内在函数添加 alpha 和 permute，看起来 armcc 编译器比 gcc 编译器的 NEON 优化要好得多。这是真的吗？我还没有真正尝试过 armcc 编译器。但是我使用带有 -O3 优化标志的 gcc 编译器得到了相当优化的代码。但是现在我想知道armcc是否真的那么好？那么，考虑到所有因素，这两个编译器哪个更好？
问问题
7095 次
2 回答
10
编译器也是软件，它们往往会随着时间的推移而改进。任何像 armcc 这样的通用声明都比 NEON 上的 GCC（或者更好地称为矢量化）不能永远成立，因为一个开发人员小组可以通过足够的关注来缩小差距。然而，最初期望硬件公司开发的编译器具有优越性是合乎逻辑的，因为他们需要展示/营销这些功能。
我最近在 Stack Overflow 上看到的一个例子是关于分支预测的答案。引用更新部分的最后一行“这表明即使是成熟的现代编译器在优化代码的能力上也会有很大差异......”。
我是 GCC 的忠实拥护者，但我不会将其生成的代码质量与 Intel 或 ARM 的编译器打赌。我希望任何主流商业编译器生成的代码至少与 GCC 一样好。
这个问题的一个经验答案可能是使用hilbert-space 的 neon 优化示例，看看不同的编译器如何优化它。
void neon_convert (uint8_t * __restrict dest, uint8_t * __restrict src, int n)
{
int i;
uint8x8_t rfac = vdup_n_u8 (77);
uint8x8_t gfac = vdup_n_u8 (151);
uint8x8_t bfac = vdup_n_u8 (28);
n/=8;
for (i=0; i<n; i++)
{
uint16x8_t temp;
uint8x8x3_t rgb = vld3_u8 (src);
uint8x8_t result;
temp = vmull_u8 (rgb.val[0], rfac);
temp = vmlal_u8 (temp,rgb.val[1], gfac);
temp = vmlal_u8 (temp,rgb.val[2], bfac);
result = vshrn_n_u16 (temp, 8);
vst1_u8 (dest, result);
src += 8*3;
dest += 8;
}
}
这是 armcc 5.01
20: f421140d vld3.8 {d1-d3}, [r1]!
24: e2822001 add r2, r2, #1
28: f3810c04 vmull.u8 q0, d1, d4
2c: f3820805 vmlal.u8 q0, d2, d5
30: f3830806 vmlal.u8 q0, d3, d6
34: f2880810 vshrn.i16 d0, q0, #8
38: f400070d vst1.8 {d0}, [r0]!
3c: e1520003 cmp r2, r3
40: bafffff6 blt 20 <neon_convert+0x20>
这是 GCC 4.4.3-4.7.1
1e: f961 040d vld3.8 {d16-d18}, [r1]!
22: 3301 adds r3, #1
24: 4293 cmp r3, r2
26: ffc0 4ca3 vmull.u8 q10, d16, d19
2a: ffc1 48a6 vmlal.u8 q10, d17, d22
2e: ffc2 48a7 vmlal.u8 q10, d18, d23
32: efc8 4834 vshrn.i16 d20, q10, #8
36: f940 470d vst1.8 {d20}, [r0]!
3a: d1f0 bne.n 1e <neon_convert+0x1e>
这看起来非常相似，所以我们打了个平手。看到这个后，我尝试提到添加 alpha 并再次排列。
void neonPermuteRGBtoBGRA(unsigned char* src, unsigned char* dst, int numPix)
{
numPix /= 8; //process 8 pixels at a time
uint8x8_t alpha = vdup_n_u8 (0xff);
for (int i=0; i<numPix; i++)
{
uint8x8x3_t rgb = vld3_u8 (src);
uint8x8x4_t bgra;
bgra.val[0] = rgb.val[2]; //these lines are slow
bgra.val[1] = rgb.val[1]; //these lines are slow
bgra.val[2] = rgb.val[0]; //these lines are slow
bgra.val[3] = alpha;
vst4_u8(dst, bgra);
src += 8*3;
dst += 8*4;
}
}
用 gcc 编译...
$ arm-linux-gnueabihf-gcc --version
arm-linux-gnueabihf-gcc (crosstool-NG linaro-1.13.1-2012.05-20120523 - Linaro GCC 2012.05) 4.7.1 20120514 (prerelease)
$ arm-linux-gnueabihf-gcc -std=c99 -O3 -c ~/temp/permute.c -marm -mfpu=neon-vfpv4 -mcpu=cortex-a9 -o ~/temp/permute_gcc.o
00000000 <neonPermuteRGBtoBGRA>:
0: e3520000 cmp r2, #0
4: e2823007 add r3, r2, #7
8: b1a02003 movlt r2, r3
c: e92d01f0 push {r4, r5, r6, r7, r8}
10: e1a021c2 asr r2, r2, #3
14: e24dd01c sub sp, sp, #28
18: e3520000 cmp r2, #0
1c: da000019 ble 88 <neonPermuteRGBtoBGRA+0x88>
20: e3a03000 mov r3, #0
24: f460040d vld3.8 {d16-d18}, [r0]!
28: eccd0b06 vstmia sp, {d16-d18}
2c: e59dc014 ldr ip, [sp, #20]
30: e2833001 add r3, r3, #1
34: e59d6010 ldr r6, [sp, #16]
38: e1530002 cmp r3, r2
3c: e59d8008 ldr r8, [sp, #8]
40: e1a0500c mov r5, ip
44: e59dc00c ldr ip, [sp, #12]
48: e1a04006 mov r4, r6
4c: f3c73e1f vmov.i8 d19, #255 ; 0xff
50: e1a06008 mov r6, r8
54: e59d8000 ldr r8, [sp]
58: e1a0700c mov r7, ip
5c: e59dc004 ldr ip, [sp, #4]
60: ec454b34 vmov d20, r4, r5
64: e1a04008 mov r4, r8
68: f26401b4 vorr d16, d20, d20
6c: e1a0500c mov r5, ip
70: ec476b35 vmov d21, r6, r7
74: f26511b5 vorr d17, d21, d21
78: ec454b34 vmov d20, r4, r5
7c: f26421b4 vorr d18, d20, d20
80: f441000d vst4.8 {d16-d19}, [r1]!
84: 1affffe6 bne 24 <neonPermuteRGBtoBGRA+0x24>
88: e28dd01c add sp, sp, #28
8c: e8bd01f0 pop {r4, r5, r6, r7, r8}
90: e12fff1e bx lr
用armcc编译...
$ armcc
ARM C/C++ Compiler, 5.01 [Build 113]
$ armcc --C99 --cpu=Cortex-A9 -O3 -c permute.c -o permute_arm.o
00000000 <neonPermuteRGBtoBGRA>:
0: e1a03fc2 asr r3, r2, #31
4: f3870e1f vmov.i8 d0, #255 ; 0xff
8: e0822ea3 add r2, r2, r3, lsr #29
c: e1a031c2 asr r3, r2, #3
10: e3a02000 mov r2, #0
14: ea000006 b 34 <neonPermuteRGBtoBGRA+0x34>
18: f420440d vld3.8 {d4-d6}, [r0]!
1c: e2822001 add r2, r2, #1
20: eeb01b45 vmov.f64 d1, d5
24: eeb02b46 vmov.f64 d2, d6
28: eeb05b40 vmov.f64 d5, d0
2c: eeb03b41 vmov.f64 d3, d1
30: f401200d vst4.8 {d2-d5}, [r1]!
34: e1520003 cmp r2, r3
38: bafffff6 blt 18 <neonPermuteRGBtoBGRA+0x18>
3c: e12fff1e bx lr
在这种情况下，armcc 会生成更好的代码。我认为这证明了 fgp 在上面的回答是正确的。大多数时候 GCC 会产生足够好的代码，但你应该关注关键部分，或者最重要的是首先你必须测量/配置文件。
于 2012-09-26T20:28:47.607 回答
7
如果您使用 NEON 内在函数，编译器应该没那么重要。大多数（如果不是全部）NEON 内在函数转换为单个 NEON 指令，因此编译器剩下的唯一事情就是寄存器分配和指令调度。根据我的经验，GCC 4.2 和 Clang 3.1 在这些任务上都做得相当好。
但是请注意，NEON 指令比 NEON 内在指令更具表现力。例如，NEON 加载/存储指令具有前增量和后增量寻址模式，它们将加载或存储与地址寄存器的增量相结合，从而节省了一条指令。NEON 内在函数没有提供明确的方法来做到这一点，而是依靠编译器将调节器 NEON 加载/存储内在函数和地址增量组合到带有后增量的加载/存储指令中。类似地，一些加载/存储指令允许您指定内存地址的对齐方式，如果您指定更严格的对齐保证，则执行速度更快。同样，NEON 内在函数不允许您显式指定对齐方式，而是依赖编译器来推断正确的对齐说明符。理论上，您使用“
根据我的经验，Clang 和 GCC 在这些优化方面都不是很聪明。幸运的是，这些优化的额外性能优势通常不是那么高——它更像是 10% 而不是 100%。
这两个编译器不是特别聪明的另一个领域是避免堆栈溢出。如果您的代码使用的向量值变量多于 NEON 寄存器，那么我似乎两个编译器都会产生可怕的代码。基本上，他们似乎做的是基于有足够可用寄存器的假设来调度指令。寄存器分配似乎是在之后进行的，并且似乎只是在运行寄存器后将值溢出到堆栈中。因此，请确保您的代码在任何时候都具有少于 16 个 128 位向量或 32 个 64 位向量的工作集！
总的来说，我从 GCC 和 Clang 中得到了相当不错的结果，但我经常不得不重新组织代码以避免编译器的特殊性。我的建议是坚持使用 GCC 或 Clang，但请使用您选择的反汇编程序定期检查。
所以，总的来说，我会说坚持使用 GCC 很好。不过，您可能想查看性能关键部件的拆卸，并检查它是否合理。
于 2012-09-25T12:08:58.043 回答