对于霓虹灯优化，gcc和armcc哪一个更好？

Question

参考@auselen在这里的回答：Using ARM NEON intrinsics to add alpha and permute，看起来armcc编译器在霓虹灯优化方面比gcc编译器要好得多。这是真的吗？我还没有真正尝试过armcc编译器。但是我使用带有-O3优化标志的gcc编译器得到了非常优化的代码。但现在我在想，armcc是否真的那么好？那么，考虑到所有的因素，这两个编译器中哪一个更好呢？

Answer 1

编译器也是软件，他们倾向于随着时间的推移而改进。任何像armcc这样的通用声明都比GCC在霓虹灯上更好(或者更好地说是矢量化)不可能永远成立，因为一个开发团队可以足够关注地缩小差距。然而，最初期望硬件公司开发的编译器更优秀是合乎逻辑的，因为他们需要演示/营销这些功能。

我最近看到的一个例子是关于answer for branch prediction的Stack Overflow。引用更新部分最后一行的话“这表明即使是成熟的现代编译器在优化代码的能力上也会有很大的不同……”。

我是GCC的铁杆粉丝，但我不敢打赌，它所产生的代码质量会比得上英特尔或ARM的编译器。我希望任何主流的商业编译器至少能产生和GCC一样好的代码。

这个问题的一个经验答案是使用hilbert-space's neon optimization example，看看不同的编译器是如何优化它的。

void neon_convert (uint8_t * __restrict dest, uint8_t * __restrict src, int n)
{
  int i;
  uint8x8_t rfac = vdup_n_u8 (77);
  uint8x8_t gfac = vdup_n_u8 (151);
  uint8x8_t bfac = vdup_n_u8 (28);
  n/=8;

  for (i=0; i<n; i++)
  {
    uint16x8_t  temp;
    uint8x8x3_t rgb  = vld3_u8 (src);
    uint8x8_t result;

    temp = vmull_u8 (rgb.val[0],      rfac);
    temp = vmlal_u8 (temp,rgb.val[1], gfac);
    temp = vmlal_u8 (temp,rgb.val[2], bfac);

    result = vshrn_n_u16 (temp, 8);
    vst1_u8 (dest, result);
    src  += 8*3;
    dest += 8;
  }
}

这是armcc 5.01

  20:   f421140d    vld3.8  {d1-d3}, [r1]!
  24:   e2822001    add r2, r2, #1
  28:   f3810c04    vmull.u8    q0, d1, d4
  2c:   f3820805    vmlal.u8    q0, d2, d5
  30:   f3830806    vmlal.u8    q0, d3, d6
  34:   f2880810    vshrn.i16   d0, q0, #8
  38:   f400070d    vst1.8  {d0}, [r0]!
  3c:   e1520003    cmp r2, r3
  40:   bafffff6    blt 20 <neon_convert+0x20>

这是GCC 4.4.3-4.7.1

  1e:   f961 040d   vld3.8  {d16-d18}, [r1]!
  22:   3301        adds    r3, #1
  24:   4293        cmp r3, r2
  26:   ffc0 4ca3   vmull.u8    q10, d16, d19
  2a:   ffc1 48a6   vmlal.u8    q10, d17, d22
  2e:   ffc2 48a7   vmlal.u8    q10, d18, d23
  32:   efc8 4834   vshrn.i16   d20, q10, #8
  36:   f940 470d   vst1.8  {d20}, [r0]!
  3a:   d1f0        bne.n   1e <neon_convert+0x1e>

它们看起来非常相似，所以我们有一个平局。在看到这个之后，我再次尝试添加alpha和permute。

void neonPermuteRGBtoBGRA(unsigned char* src, unsigned char* dst, int numPix)
{
    numPix /= 8; //process 8 pixels at a time

    uint8x8_t alpha = vdup_n_u8 (0xff);

    for (int i=0; i<numPix; i++)
    {
        uint8x8x3_t rgb  = vld3_u8 (src);
        uint8x8x4_t bgra;

        bgra.val[0] = rgb.val[2]; //these lines are slow
        bgra.val[1] = rgb.val[1]; //these lines are slow 
        bgra.val[2] = rgb.val[0]; //these lines are slow

        bgra.val[3] = alpha;

        vst4_u8(dst, bgra);

        src += 8*3;
        dst += 8*4;
    }
}

和gcc一起编译...

$ arm-linux-gnueabihf-gcc --version
arm-linux-gnueabihf-gcc (crosstool-NG linaro-1.13.1-2012.05-20120523 - Linaro GCC 2012.05) 4.7.1 20120514 (prerelease)
$ arm-linux-gnueabihf-gcc -std=c99 -O3 -c ~/temp/permute.c -marm -mfpu=neon-vfpv4 -mcpu=cortex-a9 -o ~/temp/permute_gcc.o

00000000 <neonPermuteRGBtoBGRA>:
   0:   e3520000    cmp r2, #0
   4:   e2823007    add r3, r2, #7
   8:   b1a02003    movlt   r2, r3
   c:   e92d01f0    push    {r4, r5, r6, r7, r8}
  10:   e1a021c2    asr r2, r2, #3
  14:   e24dd01c    sub sp, sp, #28
  18:   e3520000    cmp r2, #0
  1c:   da000019    ble 88 <neonPermuteRGBtoBGRA+0x88>
  20:   e3a03000    mov r3, #0
  24:   f460040d    vld3.8  {d16-d18}, [r0]!
  28:   eccd0b06    vstmia  sp, {d16-d18}
  2c:   e59dc014    ldr ip, [sp, #20]
  30:   e2833001    add r3, r3, #1
  34:   e59d6010    ldr r6, [sp, #16]
  38:   e1530002    cmp r3, r2
  3c:   e59d8008    ldr r8, [sp, #8]
  40:   e1a0500c    mov r5, ip
  44:   e59dc00c    ldr ip, [sp, #12]
  48:   e1a04006    mov r4, r6
  4c:   f3c73e1f    vmov.i8 d19, #255   ; 0xff
  50:   e1a06008    mov r6, r8
  54:   e59d8000    ldr r8, [sp]
  58:   e1a0700c    mov r7, ip
  5c:   e59dc004    ldr ip, [sp, #4]
  60:   ec454b34    vmov    d20, r4, r5
  64:   e1a04008    mov r4, r8
  68:   f26401b4    vorr    d16, d20, d20
  6c:   e1a0500c    mov r5, ip
  70:   ec476b35    vmov    d21, r6, r7
  74:   f26511b5    vorr    d17, d21, d21
  78:   ec454b34    vmov    d20, r4, r5
  7c:   f26421b4    vorr    d18, d20, d20
  80:   f441000d    vst4.8  {d16-d19}, [r1]!
  84:   1affffe6    bne 24 <neonPermuteRGBtoBGRA+0x24>
  88:   e28dd01c    add sp, sp, #28
  8c:   e8bd01f0    pop {r4, r5, r6, r7, r8}
  90:   e12fff1e    bx  lr

正在使用armcc编译...

$ armcc
ARM C/C++ Compiler, 5.01 [Build 113]
$ armcc --C99 --cpu=Cortex-A9 -O3 -c permute.c -o permute_arm.o

00000000 <neonPermuteRGBtoBGRA>:
   0:   e1a03fc2    asr r3, r2, #31
   4:   f3870e1f    vmov.i8 d0, #255    ; 0xff
   8:   e0822ea3    add r2, r2, r3, lsr #29
   c:   e1a031c2    asr r3, r2, #3
  10:   e3a02000    mov r2, #0
  14:   ea000006    b   34 <neonPermuteRGBtoBGRA+0x34>
  18:   f420440d    vld3.8  {d4-d6}, [r0]!
  1c:   e2822001    add r2, r2, #1
  20:   eeb01b45    vmov.f64    d1, d5
  24:   eeb02b46    vmov.f64    d2, d6
  28:   eeb05b40    vmov.f64    d5, d0
  2c:   eeb03b41    vmov.f64    d3, d1
  30:   f401200d    vst4.8  {d2-d5}, [r1]!
  34:   e1520003    cmp r2, r3
  38:   bafffff6    blt 18 <neonPermuteRGBtoBGRA+0x18>
  3c:   e12fff1e    bx  lr

在这种情况下，armcc可以生成更好的代码。我认为这证明了fgp's answer above是合理的。大多数时候，GCC会写出足够好的代码，但你应该关注关键部分，或者最重要的是，首先你必须测量/剖析。

Answer 2

如果你使用霓虹灯内部函数，编译器应该没那么重要。大多数(如果不是全部)霓虹灯内部函数都会转换为单个霓虹灯指令，因此留给编译器的唯一工作就是寄存器分配和指令调度。根据我的经验，在这些任务中，GCC 4.2和Clang 3.1都做得相当好。

但是请注意，霓虹灯指令比霓虹灯指令更具表现力。例如，霓虹灯加载/存储指令具有递增前和递增后寻址模式，该模式将加载或存储与地址寄存器的递增相结合，从而节省了一条指令。霓虹灯内部函数并没有提供一种显式的方式来做到这一点，而是依赖于编译器将规则霓虹灯加载/存储内部函数和地址增量结合到具有后增量的加载/存储指令中。类似地，一些加载/存储指令允许您指定内存地址的对齐方式，如果您指定更严格的对齐保证，则执行速度会更快。霓虹灯内部函数同样不允许您显式地指定对齐，而是依赖于编译器来推导正确的对齐说明符。理论上，您可以在指针上使用"align“属性来为编译器提供适当的提示，但至少Clang似乎忽略了这些...

根据我的经验，当涉及到这些优化时，Clang和GCC都不是很聪明。幸运的是，这些类型的优化带来的额外性能收益通常并不是那么高-它更像是10%而不是100%。

这两个编译器不是特别聪明的另一个领域是避免堆栈溢出。如果你的代码使用了比霓虹灯寄存器更多的向量值变量，我认为这两个编译器都会产生可怕的代码。基本上，他们所做的似乎是基于有足够的可用寄存器的假设来调度指令。寄存器分配似乎是在后面进行的，一旦它运行了寄存器，似乎就会简单地将值溢出到堆栈。因此，确保你的代码在任何时候都有一个少于16个128位向量或32个64位向量的工作集！

总体而言，我从GCC和Clang那里获得了相当好的结果，但我必须定期重新组织代码，以避免编译器的特性。我的建议是坚持使用GCC或Clang，但请定期与您选择的反汇编程序进行检查。

所以，总的来说，我想说坚持和GCC在一起是很好的。不过，您可能需要查看对性能至关重要的部件的拆卸情况，并检查它是否合理。