如何使用手臂皮质-A8的乘法和累加积分?

简单地说,vmla指令执行以下操作:

struct 
{
  float val[4];
} float32x4_t


float32x4_t vmla (float32x4_t a, float32x4_t b, float32x4_t c)
{
  float32x4 result;

  for (int i=0; i<4; i++)
  {
    result.val[i] =  b.val[i]*c.val[i]+a.val[i];
  }

  return result;
}

所有这些都编译成一条汇编指令:—)

您可以在3D图形的典型4x4矩阵乘法中使用这种Neon汇编程序的固有功能,例如:

float32x4_t transform (float32x4_t * matrix, float32x4_t vector)
{
  /* in a perfect world this code would compile into just four instructions */
  float32x4_t result;

  result = vml (matrix[0], vector);
  result = vmla (result, matrix[1], vector);
  result = vmla (result, matrix[2], vector);
  result = vmla (result, matrix[3], vector);

  return result;
}

这节省了几个周期,因为您不必在乘法后添加结果。这种加法经常被使用,使得乘法累加的hsa现在成为主流(甚至x86也在最近的SSE指令集中添加了它们)。

同样值得一提的是:像这样的乘法累加运算是 非常 在线性代数和数字信号处理(DSP)应用中很常见。ARM非常聪明,实现了 快速路径 在Cortex-A8霓虹灯芯内。如果vml a指令的第一个参数(累加器)是前面的vml或vml a指令的结果,则此快速路径开始。我可以详细说明,但简而言之,这样的指令系列的运行速度是vml/vadd/vml/vadd系列的四倍。

看看我的简单矩阵乘法:我就是这么做的。由于这条快速路径,它的运行速度大约是使用vml和add而不是vmla编写的实现的四倍。

谷歌 vmlaq_f32 ,出现了 the reference for the RVCT compiler tools . 上面写着:

Vector multiply accumulate: vmla -> Vr[i] := Va[i] + Vb[i] * Vc[i]
...
float32x4_t vmlaq_f32 (float32x4_t a, float32x4_t b, float32x4_t c);

和

定义以下类型来表示向量。Neon矢量数据类型根据以下模式命名: <type><size>x<车道数>\u 例如,int16x4_t是一个包含四个通道的向量,每个通道包含一个有符号的16位整数。表E.1列出了矢量数据类型。

iow,函数的返回值将是一个包含4个32位浮点的向量,向量的每个元素都是通过乘以 b 和 c ,并添加 a .

高温高压

result = vml (matrix[0], vector);
result = vmla (result, matrix[1], vector);
result = vmla (result, matrix[2], vector);
result = vmla (result, matrix[3], vector);

不过,这个序列不起作用。问题是,x分量只累积由矩阵行调制的x,可以表示为:

result.x = vector.x * (matrix[0][0] + matrix[1][0] + matrix[2][0] + matrix[3][0]);

…

正确的顺序是:

result = vml (matrix[0], vector.xxxx);
result = vmla(result, matrix[1], vector.yyyy);

…

Neon和SSE没有内置的字段选择(这需要每个向量寄存器8位指令输入)。例如,glsl/hlsl确实有这种设施,所以大多数gpu也有。

实现这一目标的另一种方法是:

result.x = dp4(vector, matrix[0]);
result.y = dp4(vector, matrix[1]);

…//当然,为了得到相同的结果,矩阵将被转置。

mul、madd、madd和madd序列通常是首选的,因为它不需要目标寄存器字段的写掩码。

否则代码看起来不错。=)