如何在 ARM Cortex-a8 中使用乘法和累加内在函数？

Question

如何使用GCC提供的乘累加内在函数？

float32x4_t vmlaq_f32 (float32x4_t , float32x4_t , float32x4_t);

谁能解释一下我必须传递给这个函数的三个参数。我的意思是源寄存器和目标寄存器以及函数返回什么？

帮助！！！

Answer 1

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;
}

所有这些都编译成单个汇编程序指令 :-)

您可以在 3D 图形的典型 4x4 矩阵乘法中使用这个 NEON 汇编程序内在函数，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;
}

这可以节省几个周期因为你不必将乘法后的结果相加。加法的使用非常频繁，以至于乘法累加 hsa 如今已成为主流（甚至 x86 也在最近的一些 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）应用中非常很常见。 ARM 非常聪明，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，则此快速路径启动。我可以详细说明，但简而言之，这样的指令系列的运行速度比 VML / VADD / VML / VADD 系列快四倍。

看看我的简单矩阵乘法：我就是这样做的。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。

Answer 2

Google 搜索 vmlaq_f32，出现 RVCT 编译器工具的参考。它是这样说的：

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);

并且

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：
<类型><大小>x<车道数>_t
例如，int16x4_t 是一个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，向量的每个元素都是通过将 b 和 c 的相应元素相乘来计算的，并添加a的内容。

华泰

Answer 3

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

但这个顺序是行不通的。问题是 x 分量仅累积由矩阵行调制的 x，并且可以表示为：

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

...

正确的序列是：

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（这需要指令编码中的 8 位，每个向量寄存器）。例如，GLSL/HLSL 确实具有此类功能，因此大多数 GPU 也具有此类功能。

实现此目的的替代方法是：

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

... // 当然，矩阵将被转置以产生相同的结果

mul,madd,madd,madd 序列通常是首选，因为它不需要目标的写入掩码寄存器字段。

否则代码看起来不错。 =)