如何在ARM Cortex-a8中使用乘法和累加内在函数?
如何使用GCC提供的Multiply-Accumulate内在函数?
float32x4_t vmlaq_f32 (float32x4_t , float32x4_t , float32x4_t);
任何人都可以解释我必须传递给这个函数的三个参数。 我的意思是源和目标寄存器以及函数返回的内容?
救命!!!
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; }
所有这些编译成一个单独的汇编指令:-)
您可以在3D图形的典型4x4矩阵乘法中使用此NEON-assembler内在函数,如下所示:
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; }
这样可以节省几个周期,因为您不必在乘法后添加结果。 经常使用加法,这些天乘法积累hsa成为主流(甚至x86在最近的一些SSE指令集中添加了它们)。
另外值得一提的是:像这样的乘法累加运算在线性代数和DSP(数字信号处理)应用中非常常见。 ARM非常智能,并在Cortex-A8 NEON-Core内部实现了快速路径 。 如果VMLA指令的第一个参数(累加器)是前面的VML或VMLA指令的结果,则该快速路径启动。 我可以详细介绍,但简而言之,这样的指令系列运行速度比VML / VADD / VML / VADD系列快四倍。
看看我的简单矩阵乘法:我就是这么做的。 由于这种快速路径,它的运行速度比使用VML和ADD而不是VMLA编写的实现快大约四倍。
谷歌为vmlaq_f32
, 提出了RVCT编译器工具的参考 。 这是它说的:
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
定义以下类型以表示向量。 NEON向量数据类型根据以下模式命名:
x <通道数> _t例如,int16x4_t是包含四个通道的向量,每个通道包含一个带符号的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位浮点数的向量,并且通过将b
和c
的相应元素相乘,并添加a的内容来计算向量的每个元素。
HTH
result = vml (matrix[0], vector); result = vmla (result, matrix[1], vector); result = vmla (result, matrix[2], vector); result = vmla (result, matrix[3], vector);
但是,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没有字段的内置选择(每个向量寄存器需要8位指令编码)。 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,矩阵将为此转置以产生相同的结果
mul,madd,madd,madd序列通常是首选,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。 =)