为什么 vld4q_f32 与 4x vld1q_f32 不一样？

Question

const float* H; //input data from elsewhere
const float32x4x4_t hCols = vld4q_f32(H);

const float32x4_t hCol0 = vld1q_f32(H + 0);
const float32x4_t hCol1 = vld1q_f32(H + 4);
const float32x4_t hCol2 = vld1q_f32(H + 8);
const float32x4_t hCol3 = vld1q_f32(H + 12);

我使用 hCol0、hCol1、hCol2、hCol3 的代码被替换为 hCols.val[0]、hCols.val[1]、hCols.val[2]、hCols.val[3] 但现在我变得非常奇怪的输出。

这两个负载不完全相同，vld4q_f32 可能更快吗？

Answer 1

vld4 是一条与 vld1 非常不同的指令。

vld1 是一个直接加载，vld4 是一个扩展加载，其中每个值在四个寄存器中分配，一个元素接一个元素，一个寄存器接一个寄存器。

vld4q_f32(pSrc) will translate to:

vld4.32 {d0, d2, d4, d6}, [pSrc]!
vld4.32 {d1, d3, d5, d7}, [pSrc]

*pSrc:
0, 1, 2, 3, 4, 5, 6, 7, 8, 9, A, B, C, D, E

================================================

And the values are loaded as following:
q0 (d0 + d1): 0, 4, 8, C
q1 (d2 + d3): 1, 5, 9, D
q2 (d4 + d5): 2, 6, A, E
q3 (d6 + d7): 3, 7, B, F

在汇编中，可以使用一条指令直接加载多个寄存器，例如：

vld1.32 {q0, q1}, [pSrc]!
vld1.32 {q2, q3}, [pSrc]

And the values are loaded as following:
q0 (d0 + d1): 0, 1, 2, 3
q1 (d2 + d3): 4, 5, 6, 7
q2 (d4 + d5): 8, 9, A, B
q3 (d6 + d7): C, D, E, F

但是，在内部函数中，您必须逐个注册： float32x4x4_t hCols;

hCols.val[0] = vld1q_f32(H + 0);
hCols.val[1] = vld1q_f32(H + 4);
hCols.val[2] = vld1q_f32(H + 8);
hCols.val[3] = vld1q_f32(H + 12);

在 Android Studio 3.01 上，vld1q_f32_x4 是为此目的而定义的，但它似乎仍然存在错误。至少我没能成功构建。

顺便说一句，您是否要进行 4x4 矩阵乘法？恭喜，您刚刚在vld4 中找到了如何即时自动转置矩阵；

不过，不要在内在函数上浪费时间。 程序集版本的运行速度几乎是其三倍，而我对内部函数进行了 1:1 转换，由 Android Studio 3.01 附带的 Clang 编译。真的很烦。

使用内部函数纯粹是浪费时间，绝对是这样，至少在 ARM 上是这样。