Реализация контрольной суммы для Neon в Intrinsics

Question

Я пытаюсь реализовать код вычисления контрольной суммы (дополнение 2 дополнения) для NEON, используя встроенный. Текущее вычисление контрольной суммы выполняется на ARM.

Моя реализация извлекает 128-битные данные сразу из памяти в регистры NEON и выполняет SIMD (сложение), а результат складывается в 16-битное число из 128-битного числа.

Все выглядит нормально, но моя реализация NEON отнимает больше времени, чем у версии ARM.

ARM версия занимает: 0,860000 с NEON версия занимает: 1,260000 с

Замечания:

1. Профилированные с использованием утилит из "time.h"
2. Функция контрольной суммы вызывается 10000 раз из примера приложения, и время вычисляется после полного запуска всех функций

Другие детали:

1. Использовал цепочку инструментов GNU (arm-none-linux-gnueabi-gcc) для компиляции внутреннего кода, а не цепочку инструментов arm.
2. Платформа Linux.
3. С-внутренний код.

Вопросы:

1. Почему версия NEON занимает больше времени, чем версия ARM? (Хотя я позаботился о том, чтобы использовался внутренний с минимальным количеством циклов в партии)

2. Как добиться того, чего я хочу достичь? (эффективность с NEON)

3. Может ли кто-нибудь указать мне или поделиться некоторыми примерами реализации (псевдокод / ​​алгоритмы / код, а не теоретические документы или доклады о реализации), в которых совместно используются взаимодействия ARM-NEON?

Любая помощь приветствуется.

Вот мой код:

uint16_t do_csum(const unsigned char * buff, int len)
{
int odd, count, i;

uint32x4_t result = veorq_u32( result, result), sum = veorq_u32( sum, sum); 
uint16x4_t data, data_hi, data_low, data8;
uint16x8_t dataq;
uint16_t result16, disp[20] = {0,0,0,0,0,0,0,0,0,0};

if (len <= 0)
    goto out;
odd = 1 & (unsigned long) buff;
if (odd) {
    uint8x8_t data1 = veor_u8( data1, data1); 
    data1 = (uint16x4_t)vld1_lane_u8((uint8_t *)buff, data1, 0); //result = *buff << 8;
    data1 = (uint16x4_t)vshl_n_u16( data1, 8);

    len--;
    buff++;
    result = vaddw_u16(result, data1);
}
count = len >> 1;       /* nr of 16-bit words.. */
if (count) {
    if (2 & (unsigned long) buff) {
        uint16x4_t data2 = veor_u16( data2, data2); 
        data2 = (uint16x4_t) vld1_lane_u16((uint16_t *)buff, data2, 0); //result += *(unsigned short *) buff;
        count--;
        len -= 2;
        buff += 2;
        result = vaddw_u16( result, data2);
    }
    count >>= 1;        /* nr of 32-bit words.. */
    if (count) {
        if (4 & (unsigned long) buff) {
            uint32x2_t data4 = (uint16x4_t) vld1_lane_u32((uint32_t *) buff, data4, 0);
            count--;
            len -= 4;
            buff += 4;
            result = vaddw_u16( result, data4);
        }
        count >>= 1;    /* nr of 64-bit words.. */
        if (count) {
            if (8 & (unsigned long) buff) {
                uint64x1_t data8 = vld1_u64((uint64_t *) buff); 
                count--;
                len -= 8;
                buff += 8;
                result = vaddw_u16( result,(uint16x4_t)data8);
            }
            count >>= 1;    /* nr of 128-bit words.. */
            if (count) {
                do {
                    dataq = (uint16x8_t)vld1q_u64((uint64_t *) buff); // VLD1.64 {d0, d1}, [r0]
                    count--;
                    buff += 16;

                    sum = vpaddlq_u16(dataq);   
                    vst1q_u16( disp, dataq); // VST1.16 {d0, d1}, [r0]

                    result = vaddq_u32( sum, result);
                } while (count);
            }
            if (len & 8) {
                uint64x1_t data8 =  vld1_u64((uint64_t *) buff); 
                buff += 8;
                result = vaddw_u16( result, (uint16x4_t)data8);
            }
        }
        if (len & 4) {
            uint32x2_t data4 = veor_u32( data4, data4); 

            data4 = (uint16x4_t)vld1_lane_u32((uint32_t *) buff, data4, 0);//result += *(unsigned int *) buff;
            buff += 4;
            result = vaddw_u16( result,(uint16x4_t) data4);
        }
    }
    if (len & 2) {
        uint16x4_t data2 = veor_u16( data2, data2); 
        data2 = (uint16x4_t) vld1_lane_u16((uint16_t *)buff, data2, 0); //result += *(unsigned short *) buff;
        buff += 2;
        result = vaddw_u16( result, data2);
    }
}
if (len & 1){
    uint8x8_t data1 = veor_u8( data1, data1); 
    data1 = (uint16x4_t) vld1_lane_u8((uint8_t *)buff, data1, 0); //result = *buff << 8;
    result = vaddw_u8( result, data1);
}


result16 = from128to16(result);

if (odd)
    result16 = ((result16 >> 8) & 0xff) | ((result16 & 0xff) << 8);

out:
    return result16;
}

Answer 1

Несколько вещей, которые вы можете улучшить:

• Избавиться от магазинов, чтобы disp - это похоже на отладочный код, который остался в?
• Не делайте горизонтальное сложение в вашем основном цикле - просто делайте частичные (вертикальные) суммы в цикле и сделайте одно окончательное горизонтальное сложение после цикла (см. Этот ответ для примера того, как это сделать - это для SSE, но принцип таков: тот же самый)
• Убедитесь, что вы используете gcc -O3 ... получить максимальную выгоду от оптимизации компилятора
• Не использовать goto! (Не влияет на производительность, но является злом.)