Arm NEON编程技术上手指南-电子发烧友网

1 简介

本文旨在介绍Arm NEON技术，希望NEON初学者在阅读本文后能很快上手开始NEON编程。

2 NEON概览

本节介绍NEON技术及一些背景知识。

2.1 什么是NEON？

NEON是指适用于Arm Cortex-A系列处理器的一种高级SIMD（单指令多数据）扩展指令集。NEON 技术可加速多媒体和信号处理算法（如视频编码/解码、2D/3D 图形、游戏、音频和语音处理、图像处理技术、电话和声音合成）。

NEON 指令可执行并行数据处理：

寄存器被视为同一数据类型的元素的矢量

数据类型可为：8 /16 /32/64 位整数，单精度（Arm 32位平台），单精度浮点/双精度浮点（Arm 64位平台）

指令在所有通道中执行同一操作

2.2 Arm 高级SIMD发展历史

2.3 为什么要用NEON

NEON提供：

支持整数和浮点操作，以确保适合从编解码器、高性能计算到 3D 图形等广泛应用领域。

与 Arm处理器紧密结合，提供指令流和内存的统一视图，编程比外部硬件加速器更简单。

3 Arm v8架构简介

Arm v8-A是一个非常重要的架构变化，它支持64位执行模式 “AArch64” ，并且带来了全新的64位指令集 “A64” 。同时，为了兼容Arm v7-A （32位架构）指令集，也引入了 “AArch32” 的概念。大部分Arm v7-A代码可以运行在Arm v8-A AArch32执行模式下。

本节会对Arm v8-A 架构NEON相关的特点做出一些介绍。此外，本节也会略微介绍在NEON编程时经常使用的CPU通用目的寄存器和CPU指令，但是重点依然是NEON技术。

3.1 寄存器

Arm v8-A AArch64有31个64位通用目的寄存器，每一个通用寄存器具有64位（X0-X30）或是32位模式（W0-W30）。其寄存器视图如下：

Arm v8-A AArch64有32个128位寄存器，也能当作32位Sn寄存器或是64位Dn寄存器使用。其寄存器视图如下：

3.2 指令集

Arm v8-A AArch32指令集是由A32（Arm指令，32 位固定长度指令集）和T32（Thumb指令集，16 位固定长度指令集；Thumb2指令集， 16/32位长度指令集）指令集组成。它是Arm v7 Cortex-A指令集的超集，因此Arm v8-A AArch32能后向兼容Arm v7-A以便运行早期软件。同时，为了维持与A64指令集的一致性，AArch32指令集又新增了NEON除法，加密指令扩展。

与AArch32指令集相比，AArch64指令集A64（32位固定长度）发生了很大变化，比如，它们具有完全不同的指令格式。但是在功能上来说，AArch64指令集基本上实现了AArch32指令集的全部功能，另外添加了NEON双精度浮点的支持。

3.3 NEON指令格式

现在大部分已经是Arm v8平台，因此本节只介绍AArch64 NEON指令格式。通用描述如下：

{}{} Vd., Vn., Vm.

这里：

——前缀，如S/U/F/P 分别表示有符号整数/无符号整数/浮点数/布尔数据类型
——操作符。例如ADD，AND等。
——后缀，通常是有以下几种

P：将向量按对操作，例如ADDP

V：跨所有的数据通道操作，例如FMAXV

2：在宽指令/窄指令中操作数据的高位部分。例如ADDHN2，SADDL2。

ADDHN2：两个128位矢量相加，得到64位矢量结果，并将结果存到NEON寄存器的高64位部分。

SADDL2：两个NEON寄存器的高64位部分相加，得到128-位结果。

——数据类型，通常是8B/16B/4H/8H/2S/4S/2D等。B代表8位数据类型；H代表16位数据宽度；S代表32位数据宽度，可以是32位整数或单精度浮点；D代表64位数据宽度，可以是64位整数或双精度浮点。

下面列出具体的NEON指令例子：

UADDLP V0.8H, V0.16B

FADD V0.4S, V0.4S, V0.4S

更多内容请参考 Armasm_user_guide.pdf(http://infocenter.arm.com/help/topic/com.Arm.doc.dui0801g/DUI0801G_Armasm_user_guide.pdf)

13～15章介绍A32和T32指令。

16～20章介绍A64指令，其中第20章专门介绍NEON指令。

4 NEON编程基础

上面几章已经介绍了NEON的概念，硬件资源和指令集。现在我们可以开始使用NEON开始加速我们的应用了。使用NEON 技术通常有下列四种方式：

调用NEON优化过的库函数

使用编译器自动矢量化选项

使用NEON intrinsics指令

手写NEON汇编

4.1 调用库函数

用户只需要在程序中直接调用NEON优化过的库函数就可以了，简单易用。目前你有下列库可以选择：

Arm Compute library

一系列经过Arm CPU和GPU优化过的底层函数库。用于图像处理、机器学习和计算机视觉。更多信息： https://developer.Arm.com/technologies/compute-library

Ne10开源库

由Arm主导开发的，目前提供了比较通用的数学函数，部分图像处理函数，以及FFT函数。http://projectne10.github.io/Ne10/

4.2 自动矢量化

在GCC编译器选项中有自动矢量化编译选项可以帮助现有的代码编译生成NEON代码。GNU GCC提供一系列的选项，有的能提升性能，有的能降低生成可执行文件的代码大小。

对于每一行代码，有很多种汇编指令可以选择。编译器在寄存器、堆栈空间、代码大小、编译时间、便于调试、指令执行时间等许多选项中必须有所取舍，这样才能生成最优的映像文件。

4.3 NEON intrinsics

NEON intrinsics可以视作在NEON指令上面封装了一层接口。当用户在C程序中调用NEON intrinsics接口时，编译器会自动生成相关的NEON指令。

NEON intrinsics可以跨Arm v7-A/v8-A运行。只要编程一次，就可以借助编译器生成相应的NEON代码。

如果用户在代码中使用了Arm v8-A AArch64特有的NEON指令，只要如下例所示，用宏定义(__aarch64__)将这部分代码分隔即可。

下面是NEON intrinsics的一个例程。

//下面是浮点数组的加法，假设count为4的整数倍

#include

voidadd_float_c(float*dst,float*src1,float*src2,intcount)
{
inti;
for(i=0;i< count; i++)
         dst[i] = src1[i] + src2[i];
 }

 void add_float_neon1(float* dst, float* src1, float* src2, int count)
 {
     int i;
     for (i = 0; i < count; i += 4)
     {
         float32x4_t in1, in2, out;
         in1 = vld1q_f32(src1);
         src1 += 4;
         in2 = vld1q_f32(src2);
         src2 += 4;
         out = vaddq_f32(in1, in2);
         vst1q_f32(dst, out);
         dst += 4;
// 下列代码只是描述如何使用AArch64专有代码的一个例子，不具有实际含义。
#if defined (__aarch64__)
         float32_t tmp = vaddvq_f32(in1);
#endif

     }
}

通过查看反汇编，在Arm v7-A下，可以看到vld1/vadd/vst1 NEON指令。在Arm v8-A下可以看到ldr/fadd/str NEON指令。

4.4 NEON汇编

NEON手写汇编主要有两种方式：

独立汇编文件

内嵌汇编

4.4.1 独立汇编文件

独立汇编文件可以用“.S”作为文件后缀，也可以用“.s”作为文件后缀。区别在于.S文件会经过C/C++预处理器处理，这样我们可以利用宏定义等C语言特性。

手写NEON汇编文件时，我们需要注意寄存器的保存。对于Arm v7/v8我们需要保存下列寄存器：

下面是Arm v7-A/v8-A NEON 汇编的一个例程。

//在头文件中定义
voidadd_float_neon2(float*dst,float*src1,float*src2,intcount);

下面是手写汇编代码，保存到.S文件中

//Armv7-A/Armv8-AAArch32版本
.text
.syntaxunified

.align4
.globaladd_float_neon2
.typeadd_float_neon2,%function
.thumb
.thumb_func

add_float_neon2:
.L_loop:
vld1.32{q0},[r1]!
vld1.32{q1},[r2]!
vadd.f32q0,q0,q1
subsr3,r3,#4
vst1.32{q0},[r0]!
bgt.L_loop

bxlr

//Armv8-AAArch64版本
.text

.align4
.globaladd_float_neon2
.typeadd_float_neon2,%function

add_float_neon2:

.L_loop:
ld1{v0.4s},[x1],#16
ld1{v1.4s},[x2],#16
faddv0.4s,v0.4s,v1.4s
subsx3,x3,#4
st1{v0.4s},[x0],#16
bgt.L_loop

ret

更多代码请参考： https://github.com/projectNe10/Ne10/tree/master/modules/dsp

4.4.2 内嵌汇编

顾名思义，内嵌汇编是和C代码紧密结合在一起的一种方式。我们可以直接把汇编代码内嵌在C/C++代码中，我们可以在需要NEON的地方即时添加。
优点：

过程调用规则简单，不需要自己手动保存寄存器。

可以使用 C/C++ 变量和函数，因此它能非常容易地整合到 C/C++ 代码

缺点：

内嵌汇编有一套复杂的语法规则

NEON代码内嵌在C/C++代码中，不易于移植到其他平台

例程：

//Armv7-A/Armv8-AAArch32
voidadd_float_neon3(float*dst,float*src1,float*src2,intcount)
{
asmvolatile(
"1:
"
"vld1.32{q0},[%[src1]]!
"
"vld1.32{q1},[%[src2]]!
"
"vadd.f32q0,q0,q1
"
"subs%[count],%[count],#4
"
"vst1.32{q0},[%[dst]]!
"
"bgt1b
"
:[dst]"+r"(dst)
:[src1]"r"(src1),[src2]"r"(src2),[count]"r"(count)
:"memory","q0","q1"
);
}

//Armv8-AAArch64
voidadd_float_neon3(float*dst,float*src1,float*src2,intcount)
{
asmvolatile(
"1:
"
"ld1{v0.4s},[%[src1]],#16
"
"ld1{v1.4s},[%[src2]],#16
"
"faddv0.4s,v0.4s,v1.4s
"
"subs%[count],%[count],#4
"
"st1{v0.4s},[%[dst]],#16
"
"bgt1b
"
:[dst]"+r"(dst)
:[src1]"r"(src1),[src2]"r"(src2),[count]"r"(count)
:"memory","v0","v1"
);

}

更多例程请参考libyuv

4.5 NEON intrinsics和NEON汇编

NEON intrinsics和NEON手写汇编是最常使用的NEON优化方式。

下面就这两种方式的优缺点做一些简单对比。

	NEON 汇编	NEON intrinsic
性能	对于指定平台，汇编总是呈现最好性能。	现在的编译器已经能得到媲美手工汇编的性能。
可移植性	Arm v7-A/v8-A平台具有不同的汇编格式。即使在Arm v8-A平台，汇编程序可能也需要针对Cortex A53/A57微架构做出不同调整，才能呈现最好性能。	选择合适的编译器选项，一次编程即可以很容易实现跨平台并针对该平台微架构调整性能，例如Arm v7-A Cortex A9/A7/A15和Arm v8-A Cortex A53/A57。
可维护性	相比C语言，较难编程，可读性较差	跟C语言类似，比较容易编程与维护