在简单的加法任务中使用 ARM NEON 速度较慢答案

【问题标题】：Using ARM NEON is slower in a simple Addition task在简单的加法任务中使用 ARM NEON 速度较慢
【发布时间】：2020-01-07 18:40:02
【问题描述】：

我尝试编写一段简单的 NEON 代码，但发现它比常规 C++ 实现要慢。代码如下

float A[] = {1,2,3,4}; 
float B[] = {2,3,4,5}; 
float32x4_t v1;
float32x4_t v2;

int counter = 1000000;

while(counter--){
     v1 = vld1q_f32(A);
     v2 = vld1q_f32(B);
     v = vaddq_f32(v1,v2);

     vst1q_f32(A,v);
     // A[0] = A[0]+B[0]; // regular implementation
     // A[1] = A[1]+B[1]; // regular implementation 
     // A[2] = A[2]+B[2]; // regular implementation
     // A[3] = A[3]+B[3]; // regular implementation

 }

我搜索了原因，所以我猜是因为顺序管道和这个简单的任务导致 CPU 停顿？但是有人能帮忙解释得更详细吗？有什么方法可以提高这个 NEON 实现的性能？还是在面对这种简单的任务时使用常规实现比使用 NEON 更好？谢谢你。

【问题讨论】：

标签： arm neon

【解决方案1】：

你的测试程序一开始就完全有缺陷：

由于编译器在构建时可以清楚地看到所有输入，因此编译器将简单地生成类似于以下的机器代码：

A[0] = 3.0f;
A[1] = 5.0f;
A[2] = 7.0f;
A[3] = 9.0f;

为了防止编译器进行这种作弊，你必须隐藏输入：

void myFunc_c(float *pA, float *pB, uint32_t count)
{
    if (count == 0) return;

    do {
        *pA++ += *pB++;
    } while (--count);
}

void myFunc_neon(float *pA, float *pB, uint32_t count)
{
    float32x4_t a, b;

    count >>= 2;
    if (count == 0) return;

    do {
        a = vld1q_f32(pA);
        b = vld1q_f32(pB);

        a = vaddq_f32(a, b);

        vst1q_f32(pA, a);

        pA += 4;
        pB += 4;

    } while (--count);    
}

您需要做的就是为pA 和pB 分配足够的内存，根据需要初始化它们，然后调用上面的函数。

我认为霓虹灯版本会快大约 3 倍。

【讨论】：

【解决方案2】：

如果您使用内在函数进行加载/存储，编译器似乎不会理会它们。

如果没有内在函数，它可以优化加载/存储并仅将寄存器用于中间值。看看生成的程序集：https://www.godbolt.org/z/FvqKP3

此外，我猜想在另一个传输正在写入同一内存时将某些内容加载到 NEON 中可能是一种罕见的用例，CPU 设计人员不会费心实施直接旁路。您可能必须等到存储完全完成才能开始加载。

【讨论】：