如何在ARM Cortex-a8中使用乘法和累加内部函数？

Question

如何使用GCC提供的乘法累加内联函数？

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。我指的是源寄存器和目标寄存器以及函数返回的内容？

救命！

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;
}

所有这些都编译成一条汇编指令:-)

你可以在3D图形的典型4x4矩阵乘法中使用这种霓虹灯汇编器的固有特性，比如：

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;
}

这节省了几个周期，因为您不必在乘法后添加结果。加法的使用如此频繁，以至于乘法累加hsa现在已经成为主流(甚至x86在最近的一些SSE指令集中也添加了它们)。

还值得一提的是:像这样的乘法-累加操作在线性代数和数字信号处理()应用程序中非常常见。ARM非常聪明，在Cortex-A8霓虹灯核心中实现了快速路径。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，则此快速路径开始生效。我可以详细介绍，但简而言之，这样的指令系列运行速度比VML / VADD / VML / VADD系列快四倍。

看看我的简单矩阵乘法:我就是这么做的。由于这种快速路径，它的运行速度大约是使用VML和ADD而不是VMLA编写的实现的四倍。

Answer 2

谷歌搜索vmlaq_f32，出现了the reference for the RVCT compiler tools。它是这样写的：

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);

和

定义了以下类型来表示向量。霓虹灯矢量数据类型根据以下模式命名: x_t例如，int16x4_t是一个包含四个通道的矢量，每个通道都包含一个带符号的16位整数。表E.1列出了矢量数据类型。

函数的返回值将是一个包含4个32位浮点数的向量，该向量的每个元素都是通过将b和c的相应元素相乘，然后将a的内容相加来计算得出的。

HTH

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);

但是，这个序列不会起作用。问题是x分量仅累加由矩阵行调制的x，并且可以表示为：

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

..。

正确的顺序应该是：

result = vml (matrix[0], vector.xxxx);
result = vmla(result, matrix[1], vector.yyyy);

..。

霓虹灯和SSE没有内置的字段选择(这将需要8位指令编码，每个向量寄存器)。例如，GLSL/HLSL确实有这样的设施，所以大多数GPU也有。

实现这一目标的另一种方法是：

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序列通常是优选的，因为它不需要用于目标寄存器字段的写掩码。

除此之外，代码看起来还不错。=)