アームネオン8ビット乗算加算和を32ビットベクトルに使用する方法

Question

8ビット固定小数点演算を行っていますが、配列とB配列の両方がQ7形式であり、それらの和の積を求めます。 デモコード：

int8_t ra1[], ra2[], rb[]; 
int8x16_t va1, va2, vb; 
int16x4_t vsum1, vsum2; 
va1 = vld1q_s8(ra1); 
va2 = vld1q_s8(ra2); 
vb = vld1q_s8(rb); 
vsum1 = vdup_n_s16(0); 
vsum2 = vdup_n_s16(0); 
    for (......) 
    vsum1 = vmlal_s8(vsum1, vget_high_s8(va1), vget_high_s8(vb)); 
    vsum1 = vmlal_s8(vsum1, vget_low_s8(va1), vget_low_s8(vb)); 

合計+ = a * b;この合計は16ビット、それは簡単にオーバーフローすることができますので、* Q7×Q7 16ビットはQ15を表すことができます。また、私は右にQ7xQ7の結果をシフトすることはできません、私は高精度を維持する必要があります。 どのように私はネオンを使用することができます、私は合計が32ビットa、bはまだ8ビットです。私は転送する必要はありません16ビットとvmlal_s16を使用して、それはゆっくりとなります。 1つの指示時間で。 ネオンの組み込み関数にはこの関数がありません。おそらくネオンのアセンブリコードでこれを行うことができます。誰が助けることができますか？ありがとう。 Hereは、vmlaアセンブリコードの情報です。たぶん私はそれを使用することができます。いくつかのアドバイスを与えてください、私はアセンブリコードに慣れていません。

Answer 1

私はこのコード例は、役立ちます願っています：

inline int32x4_t Correlation(const int8x16_t & a, const int8x16_t & b) 
{ 
    int16x8_t lo = vmull_s8(vget_low_s8(a), vget_low_s8(b)); 
    int16x8_t hi = vmull_s8(vget_high_s8(a), vget_high_s8(b)); 
    return vaddq_s32(vpaddlq_s16(lo), vpaddlq_s16(hi)); 
} 

void CorrelationSum(const int8_t * a, const int8_t * b, size_t bStride, size_t size, int32_t * sum) 
{ 
    int32x4_t sums = vdupq_n_s32(0); 
    for (size_t i = 0; i < size; i += 16) 
     sums = vaddq_s32(sums, Correlation(vld1q_s8(a + i), vld1q_s8(b + i))); 
    *sum = vgetq_lane_s32(sums, 0) + vgetq_lane_s32(sums, 1) + vgetq_lane_s32(sums, 2) + vgetq_lane_s32(sums, 3); 
} 

注：この例では、関数Simd::Neon::CorrelationSum()に基づいています。また、私は）（代わりにvld1q_s8の）（次の関数のロードを使用することをお勧めします：

inline int8x16_t Load(const int8_t * p) 
{ 
#ifdef __GNUC__ 
    __builtin_prefetch(p + 384); 
#endif 
    return vld1q_s8(p); 
} 

プリフェッチを使用して、パフォーマンスへの15から20パーセントを追加します。