如何在ARM汇编中转置矩阵

Question

我正在尝试将特定的 8 个 n 位数组（每个数组有 n 位（大约 70,000））转换为包含 n 个元素的字节数组。

上下文信息：8 个 n 位数组是 8 个通道的 RGB 数据。我需要一个字节来表示 8 个数组的第 n 位位置。这将在 ARM Cortex-M3 处理器上运行，并且需要尽可能快地执行，因为我正在使用生成的数组同时生成 8 个信号。

我想出了一个伪算法（在链接中）来做到这一点，但我担心它对处理器来说可能太昂贵了。

Pseudo Algorithm

我正在寻找执行速度最快的代码。大小是次要的。 我将不胜感激。

这是我实施的，但结果不是那么好。

do{
    for(b=0;b<24;b++){ //Optimize to for(b=24;b!=0;b--)
        m = 1 << b;
        *dataBytes = *dataBytes + __ROR((*s0 & m),32+b-0); //strip 0 data       
        *dataBytes = *dataBytes + __ROR((*s1 & m),32+b-1); //strip 1 data
        *dataBytes = *dataBytes + __ROR((*s2 & m),32+b-2); //strip 2 data
        *dataBytes = *dataBytes + __ROR((*s3 & m),32+b-3); //strip 3 data
        *dataBytes = *dataBytes + __ROR((*s4 & m),32+b-4); //strip 4 data
        *dataBytes = *dataBytes + __ROR((*s5 & m),32+b-5); //strip 5 data
        *dataBytes = *dataBytes + __ROR((*s6 & m),32+b-6); //strip 6 data
        *dataBytes = *dataBytes + __ROR((*s7 & m),32+b-7); //strip 7 data
        dataBytes++;
    }       
    s0 += 3;
    s1 += 3;
    s2 += 3;
    s3 += 3;
    s4 += 3;
    s5 += 3;
    s6 += 3;
    s7 += 3;
}while(n--);

S0 到 7 是 8 个单独的向量，以 24 个一组的形式从中获取位。 N 是组数，m 是掩码，b 是掩码位置。 dataBytes 是结果数组。

Answer 1

优化时总是存在两件事，

1. 内存带宽
2. CPU 时钟

带宽

您当前的算法一次加载一个字节。您可以通过一次加载至少 32 位来更有效地执行此操作。这将优化 ARM BUS。可以肯定的是，最终算法不会受 BUS 限制，如果是，您已经为此进行了优化。

对于不同的ARM CPU，有pld等指令可以通过提前预取下一个数据元素来尝试优化BUS。这可能适用于您的 Cortex-M，也可能不适用于您的 Cortex-M。另一种技术是尽可能将数据重新定位到更快的内存，例如 TCM。

CPU 速度

像素处理几乎总是由SIMD 类型指令加速。 Cortex-M 有指令标记 SIMD。不要沉迷于标签 SIMD；使用这个概念。如果你已经将多个字节加载到一个单词中，那么你可以使用一个表。

 const unsigned long bits[16] = {
              0,          1,      0x100,      0x101,
        0x10000,    0x10001,    0x10100,    0x10101,
      0x1000000,  0x1000001,  0x1000100,  0x1000101,
      0x1010000,  0x1010001,  0x1010100,  0x1010101
 }

Internet 上的许多 CRC 算法都使用了类似的概念。处理每个半字节（4 位）并一次形成下一个输出的四个字节。可能有一个乘法值可以替换表格，但这取决于您乘法的速度，这取决于 Cortex-M 和/或 ARM 的类型。

一定要在“C”中进行原型制作，然后尽可能转换为汇编程序或使用内联汇编程序。如果您的算法中有许多mov 语句，则表明编译器可能会比您更好地分配寄存器。许多复杂的算法使用代码生成器（用 phython、perl 等编写），它可以展开您最终得到的任何最佳循环，并以算法方式跟踪寄存器。

注意：仔细检查我的表格；这只是第一次破解，我还没有真正编码过这个特定的算法。一次处理多个位可能有更巧妙的方法，但这个想法可能是富有成效的。