アームループコードの最適化

Question

は、コードは次です：

for (int i=0; i<8; i++) { 
unsigned f = *p++; 
sum += f; 
sqsum += f*f; 
} 

私はいくつかのARMコードを作ったが、それは動作していない、でもコンパイルではありません次は何ですか：

void loop(uint8_t * p , int * sum ,int * qsum) 
{ 

__asm__ volatile("vld4.8 {d0}, [%0]!  \n" 
       "mov r4, #0    \n" 
       "vmlal.u8 [%1]!, [%1]!, d0 \n" 
       "vmull.u8 r4, d0 , d0 \n" 
       "vmlal.u8 [%2]!, [%2]!, r4\n" 
       : 
       : "r"(p), "r"(sum), "r"(qsum) 
       : "r4" 
       ); 



} 

助けが必要ですか？

void calculateMeanStDev8x8(cv::Mat* patch, int sx, int sy, int& mean, float& stdev) 
{ 

unsigned sum=0; 
unsigned sqsum=0; 

for (int j=0; j< 8; j++) { 
    const unsigned char* p = (const unsigned char*)(patch->data + (j+sy)*patch->step + sx); //Apuntador al inicio de la matrix 

    //The code to improve 
    for (int i=0; i<8; i++) { 
    unsigned f = *p++; 
sum += f; 
sqsum += f*f; 
} 

} 


mean = sum >> 6; 
int r = (sum*sum) >> 6; 
stdev = sqrtf(sqsum - r); 

if (stdev < .1) { 
    stdev=0; 
} 

}

Answer 1

をループはNEONの最適化のための完璧な候補であること：ここでは

が改善する私の機能です。 8つの符号なし整数を単一のNEONレジスタに収めることができます。 "vectorのすべての要素を合計する"命令はありませんが、pairwise addを使用して8つの要素の合計を3つのステップで計算することができます。アプリケーションの残りの部分を見ることができないので、大きな画像が何であるかを知るのは難しいですが、NEONはスピードを改善するための最善の策です。最近のApple製品はすべてNEON命令をサポートしており、XCodeではC++コードと混在したNEON組み込み関数を使用できます。