NEONの実行時間が増加する

Question

現在、NEON命令を使用するために画像処理コードの一部を最適化しようとしています。

私は非常に大きなフロート配列を持っていて、最初のもののそれぞれの値に2番目のものの3つの連続する値を掛けたいとしましょう。 （もう一つは、大の3倍である。）

float*  l_ptrGauss_pf32 = [...]; 
float*  l_ptrLaplace_pf32 = [...]; // Three times as large 

for (uint64_t k = 0; k < l_numPixels_ui64; ++k) 
{ 
    float l_weight_f32 = *l_ptrGauss_pf32; 

    *l_ptrLaplace_pf32 *= l_weight_f32; 
    ++l_ptrLaplace_pf32; 
    *l_ptrLaplace_pf32 *= l_weight_f32; 
    ++l_ptrLaplace_pf32; 
    *l_ptrLaplace_pf32 *= l_weight_f32; 
    ++l_ptrLaplace_pf32; 

    ++l_ptrGauss_pf32; 
} 

私はNEON組み込み関数で上記のコードを交換するときに、実行時間は、約10％長いです。

float32x4_t l_gaussElem_f32x4; 
float32x4_t l_laplElem1_f32x4; 
float32x4_t l_laplElem2_f32x4; 
float32x4_t l_laplElem3_f32x4; 

for(uint64_t k=0; k<(l_lastPixelInBlock_ui64/4); ++k) 
{ 
    l_gaussElem_f32x4 = vld1q_f32(l_ptrGauss_pf32); 
    l_laplElem1_f32x4 = vld1q_f32(l_ptrLaplace_pf32); 
    l_laplElem2_f32x4 = vld1q_f32(l_ptrLaplace_pf32+4); 
    l_laplElem3_f32x4 = vld1q_f32(l_ptrLaplace_pf32+8); 

    l_laplElem1_f32x4 = vmulq_f32(l_gaussElem_f32x4, l_laplElem1_f32x4); 
    l_laplElem2_f32x4 = vmulq_f32(l_gaussElem_f32x4, l_laplElem2_f32x4); 
    l_laplElem3_f32x4 = vmulq_f32(l_gaussElem_f32x4, l_laplElem3_f32x4); 

    vst1q_f32(l_ptrLaplace_pf32, l_laplElem1_f32x4); 
    vst1q_f32(l_ptrLaplace_pf32+4, l_laplElem2_f32x4); 
    vst1q_f32(l_ptrLaplace_pf32+8, l_laplElem3_f32x4); 

    l_ptrLaplace_pf32 += 12; 
    l_ptrGauss_pf32 += 4; 
} 

両方のバージョンは、Apple LLVM 8.0を使用して-Ofastでコンパイルされます。コンパイラはNEON組み込み関数がなくてもこのコードを最適化することができますか？

Answer 1

あなたのコードには、比較的多くのベクトル読み込み操作といくつかの乗算操作が含まれています。だから私はベクトルの読み込みを最適化することをお勧めします。 2つのステップがあります：

• アライメントされたメモリをアレイに使用します。
• プリフェッチを使用します。私は次の関数を使用することをお勧めしますこれを行うために

：

inline float32x4_t Load(const float * p) 
{ 
    // use prefetch: 
    __builtin_prefetch(p + 256); 
    // tell compiler that address is aligned: 
    float * _p = (float *)__builtin_assume_aligned(p, 16); 
    return vld1q_f32(_p); 
}