math - 使用 NEON 在 ARM 汇编中对四字向量中的所有元素求和

Question

我对组装很陌生，虽然手臂信息中心通常很有帮助，但有时这些说明会让新手有点困惑。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。

Answer 1

你可以试试这个（它不在 ASM 中，但你应该能够轻松地转换它）：

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，它可能只有 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

Answer 2

下面是 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;

我已经省略了这段代码中的乘法。

Answer 3

似乎您想获得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，您的代码将起作用，但远未优化：

1. 许多许多管道联锁

2. 每次迭代不必要的 32 位加法

假设数组的长度是 8 和至少 16 的倍数：

  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。