原文请猛戳这里
敲黑板划重点——顺求异构计算/高性能计算/CUDA/ARM优化类开发职位
最近在学习ARM的SIMD指令集NEON，发现这方面的资料真是太少了，我便来给NEON凑凑人气，姑且以这篇入门文章来分享一些心得吧。
学习一门新技术，总是有一些经典是绕不开的，对于NEON来说，这份必备的武林秘籍自然就是ARM官方的《NEON Programmer's Guide》（以下简称Guide）啦。别看这份Guide有四百多页，其实只有一百来页是正文，后面都是供查阅的手册，通读一番还是不难的。所以这里我也就不打算把Guide里的内容翻译过来敷衍了事了。在此我想借一个简单例子，展示我是如何把一个没采用NEON的普通程序改写为NEON程序、中间又是如何debug、如何调优的。当然，作为一枚ARM小白，我接触NEON指令集毕竟也才两周左右时间，错误在所难免，还请各位方家多多指正。
BGR888ToYUV444
在众多并行操作模式（Map, Reduce, Scatter, Stencil等）中，最简单的也许要算Map了，所以我选了一个Map的例子——BGR888转YUV444。这两者都是颜色空间的格式：前者表示一个像素有B、G、R三个颜色通道，每个通道占8-bit，在内存中按照B G R的顺序从高位到低位排列；后者表示一个像素有Y、U、V三个通道，每个通道也是8-bit（444仅指Y、U、V的采样率比值为4:4:4，其他类型的采样率还有YUV422、YUV420），我们也假设它在内存中按照V U Y的顺序从高位到低位排列。如何把BGR888格式转成YUV444呢？根据wiki上的转换公式，我们可以写出如下代码（很显然，这是一一对应，典型的Map模式）：
void BGR888ToYUV444(unsigned char *yuv, unsigned char *bgr, int pixel_num)
{
int i;
for (i = 0; i < pixel_num; ++i) {
uint8_t r = bgr[i * 3];
uint8_t g = bgr[i * 3 + 1];
uint8_t b = bgr[i * 3 + 2];
uint8_t y = 0.299 * r + 0.587 * g + 0.114 * b;
uint8_t u = -0.169 * r - 0.331 * g + 0.5 * b + 128;
uint8_t v = 0.5 * r - 0.419 * g - 0.081 * b + 128;
yuv[i * 3] = y;
yuv[i * 3 + 1] = u;
yuv[i * 3 + 2] = v;
}
}这段代码的意思很简单，我们遍历所有像素，每次把B、G、R三个通道的值从内存中加载进来，再做浮点数乘法和加减法，得到Y、U、V的值，写入相应的内存中。那么，使用NEON可以怎样帮助这段程序跑得更快呢？
前面提到，NEON是一种SIMD（Single Instruction Multiple Data）指令，也就是说，NEON可以把若干源（source）操作数（operand）打包放到一个源寄存器中，对他们执行相同的操作，产生若干目的（dest）操作数，这种方式也叫向量化（vectorization）。这样的话，能打包多少数据同时做运算就取决于寄存器位宽，在ARMv7的NEON unit中，register file总大小是1024-bit，可以划分为16个128-bit的Q-register（Quadword register）或者32个64-bit的D-register（Dualword register），也就是说，最长的寄存器位宽是128-bit（详见Guide第一章）。以上面的R888ToYUV444函数为例，假设我们采用32-bit单精度浮点数float来做浮点运算，那么我们可以 把最多128/32=4个浮点数打包放到Q-register中做SIMD运算，一次拿4个BGR算出4个YUV，从而提高吞吐量，减少loop次数。
（细心的看官可能会问到双精度浮点数double的运算吧？遗憾的是，根据Guide，NEON并不支持double，你可以考虑使用VFP/Vector Floating Point，但VFP并非SIMD单元）。
从浮点运算到整型运算
那么，我们还可以继续提高向量化程度吗？如果我们回头看wiki，我们会发现在早期不支持浮点操作的SIMD处理器中，使用了如下整型运算来把BGR转成YUV：
// Refer to: https://en.wikipedia.org/wiki/YUV (Full swing for BT.601)
void BGR888ToYUV444(unsigned char *yuv, unsigned char *bgr, int pixel_num)
{
int i;
for (i = 0; i < pixel_num; ++i) {
uint8_t r = bgr[i * 3];
uint8_t g = bgr[i * 3 + 1];
uint8_t b = bgr[i * 3 + 2];
// 1. Multiply transform matrix (Y′: unsigned, U/V: signed)
uint16_t y_tmp = 76 * r + 150 * g + 29 * b;
int16_t u_tmp = -43 * r - 84 * g + 127 * b;
int16_t v_tmp = 127 * r - 106 * g - 21 * b;
// 2. Scale down (">>8") to 8-bit values with rounding ("+128") (Y′: unsigned, U/V: signed)
y_tmp = (y_tmp + 128) >> 8;
u_tmp = (u_tmp + 128) >> 8;
v_tmp = (v_tmp + 128) >> 8;
// 3. Add an offset to the values to eliminate any negative values (all results are 8-bit unsigned)
yuv[i * 3] = (uint8_t) y_tmp;
yuv[i * 3 + 1] = (uint8_t) (u_tmp + 128);
yuv[i * 3 + 2] = (uint8_t) (v_tmp + 128);
}
}从这段代码我们不难发现，32-bit的float运算被16-bit的加减、乘法和移位运算所代替。这样的话，我们可以把最多128/16=8个整型数放到Q-register中做SIMD运算，一次拿8个BGR算出8个YUV，把向量化程度再提一倍。使用整型运算还有一个好处：一般而言，整型运算指令所需要的时钟周期少于浮点运算的时钟周期。所以，我以这段代码为基准（baseline），用NEON来加速它。（细心的看官也许已经看到我说法中的纰漏：虽然单个整型指令的周期小于单个相同运算的浮点指令的周期，但整型版本的BGR888ToYUV444比起浮点版本的多了移位和加法的overhead，指令数目是不同的，总的时钟周期不一定就短。Good point! 看官不妨看完本文后也用NEON改写浮点版本练练手，两相比较就不难得出最终的结论啦XD）
NEON Intrinsics
接下来可以着手写NEON代码了。个人推荐新手先别急着一上来就写汇编，NEON提供了intrinsics，其实就是一套可在C/C++中调用的函数API，编译器会代劳把这些intrinsics转成NEON指令（详见Guide的第四章），这样就方便一些。我用NEON intrinsics改写的BGR888ToYUV444函数如下：
void BGR888ToYUV444(unsigned char * __restrict__ yuv, unsigned char * __restrict__ bgr, int pixel_num)
{
const uint8x8_t u8_zero = vdup_n_u8(0);
const uint16x8_t u16_rounding = vdupq_n_u16(128);
const int16x8_t s16_rounding = vdupq_n_s16(128);
const int8x16_t s8_rounding = vdupq_n_s8(128);
int count = pixel_num / 16;
int i;
for (i = 0; i < count; ++i) {
// Load bgr
uint8x16x3_t pixel_bgr = vld3q_u8(bgr);
uint8x8_t high_r = vget_high_u8(pixel_bgr.val[0]);
uint8x8_t low_r = vget_low_u8(pixel_bgr.val[0]);
uint8x8_t high_g = vget_high_u8(pixel_bgr.val[1]);
uint8x8_t low_g = vget_low_u8(pixel_bgr.val[1]);
uint8x8_t high_b = vget_high_u8(pixel_bgr.val[2]);
uint8x8_t low_b = vget_low_u8(pixel_bgr.val[2]);
int16x8_t signed_high_r = vreinterpretq_s16_u16(vaddl_u8(high_r, u8_zero));
int16x8_t signed_low_r = vreinterpretq_s16_u16(vaddl_u8(low_r, u8_zero));
int16x8_t signed_high_g = vreinterpretq_s16_u16(vaddl_u8(high_g, u8_zero));
int16x8_t signed_low_g = vreinterpretq_s16_u16(vaddl_u8(low_g, u8_zero));
int16x8_t signed_high_b = vreinterpretq_s16_u16(vaddl_u8(high_b, u8_zero));
int16x8_t signed_low_b = vreinterpretq_s16_u16(vaddl_u8(low_b, u8_zero));
// NOTE:
// declaration may not appear after executable statement in block
uint16x8_t high_y;
uint16x8_t low_y;
uint8x8_t scalar = vdup_n_u8(76);
int16x8_t high_u;
int16x8_t low_u;
int16x8_t signed_scalar = vdupq_n_s16(-43);
int16x8_t high_v;
int16x8_t low_v;
uint8x16x3_t pixel_yuv;
int8x16_t u;
int8x16_t v;
// 1. Multiply transform matrix (Y′: unsigned, U/V: signed)
high_y = vmull_u8(high_r, scalar);
low_y = vmull_u8(low_r, scalar);
high_u = vmulq_s16(signed_high_r, signed_scalar);
low_u = vmulq_s16(signed_low_r, signed_scalar);
signed_scalar = vdupq_n_s16(127);
high_v = vmulq_s16(signed_high_r, signed_scalar);
low_v = vmulq_s16(signed_low_r, signed_scalar);
scalar = vdup_n_u8(150);
high_y = vmlal_u8(high_y, high_g, scalar);
low_y = vmlal_u8(low_y, low_g, scalar);
signed_scalar = vdupq_n_s16(-84);
high_u = vmlaq_s16(high_u, signed_high_g, signed_scalar);
low_u = vmlaq_s16(low_u, signed_low_g, signed_scalar);
signed_scalar = vdupq_n_s16(-106);
high_v = vmlaq_s16(high_v, signed_high_g, signed_scalar);
low_v = vmlaq_s16(low_v, signed_low_g, signed_scalar);
scalar = vdup_n_u8(29);
high_y = vmlal_u8(high_y, high_b, scalar);
low_y = vmlal_u8(low_y, low_b, scalar);
signed_scalar = vdupq_n_s16(127);
high_u = vmlaq_s16(high_u, signed_high_b, signed_scalar);
low_u = vmlaq_s16(low_u, signed_low_b, signed_scalar);
signed_scalar = vdupq_n_s16(-21);
high_v = vmlaq_s16(high_v, signed_high_b, signed_scalar);
low_v = vmlaq_s16(low_v, signed_low_b, signed_scalar);
// 2. Scale down (">>8") to 8-bit values with rounding ("+128") (Y′: unsigned, U/V: signed)
// 3. Add an offset to the values to eliminate any negative values (all results are 8-bit unsigned)
high_y = vaddq_u16(high_y, u16_rounding);
low_y = vaddq_u16(low_y, u16_rounding);
high_u = vaddq_s16(high_u, s16_rounding);
low_u = vaddq_s16(low_u, s16_rounding);
high_v = vaddq_s16(high_v, s16_rounding);
low_v = vaddq_s16(low_v, s16_rounding);
pixel_yuv.val[0] = vcombine_u8(vqshrn_n_u16(low_y, 8), vqshrn_n_u16(high_y, 8));
u = vcombine_s8(vqshrn_n_s16(low_u, 8), vqshrn_n_s16(high_u, 8));
v = vcombine_s8(vqshrn_n_s16(low_v, 8), vqshrn_n_s16(high_v, 8));
u = vaddq_s8(u, s8_rounding);
pixel_yuv.val[1] = vreinterpretq_u8_s8(u);
v = vaddq_s8(v, s8_rounding);
pixel_yuv.val[2] = vreinterpretq_u8_s8(v);
// Store
vst3q_u8(yuv, pixel_yuv);
bgr += 3 * 16;
yuv += 3 * 16;
}
// Handle leftovers
for (i = count * 16; i < pixel_num; ++i) {
uint8_t r = bgr[i * 3];
uint8_t g = bgr[i * 3 + 1];
uint8_t b = bgr[i * 3 + 2];
uint16_t y_tmp = 76 * r + 150 * g + 29 * b;
int16_t u_tmp = -43 * r - 84 * g + 127 * b;
int16_t v_tmp = 127 * r - 106 * g - 21 * b;
y_tmp = (y_tmp + 128) >> 8;
u_tmp = (u_tmp + 128) >> 8;
v_tmp = (v_tmp + 128) >> 8;
yuv[i * 3] = (uint8_t) y_tmp;
yuv[i * 3 + 1] = (uint8_t) (u_tmp + 128);
yuv[i * 3 + 2] = (uint8_t) (v_tmp + 128);
}
}这个函数中大部分都是很常用的NEON intrinsics，看官不妨结合查阅Guide的附录D自行熟悉，这里我仅针对几个点解释一下：
- 我用
vld3q_u8指令从内存一次加载16个像素（也就是uint8_t类型的B、G、R三个通道的数值），将各个通道的16个数值放到一个Q-register中（也就是用了三个Q-register，每个分别存放16个B、16个G和16个R），vst3q_u8的写入操作也是类似的，这充分利用128-bit的带宽，使内存存取（memory access）的次数尽可能少。但是，后边运算的向量化程度其实仍然不变，只能同时进行8个16-bit整型运算，也就是说，对于运算的部分，理想加速比（speedup）是8而非16。（当然，一次从内存加载多少数据是一个design choice，没有绝对的答案，看官也可以尝试别的方式XD） - 对于像素个数不能被16整除的情况，可能会有剩下的1到15个像素没被上述NEON代码处理到，这里我把它们称作leftovers，简单粗暴地跑了之前的for循环。其实leftover的情况如果占比高的话，还有更高明的处理方式，请各位看官参见Guide的6.2 Handling non-multiple array lengths一节。
- 我把Y通道计算的一部分放到一起，稍作解释，其他的很多运算都是类似的：
// 复制8个值为128的uint16_t类型整数到某个Q-register，该Q-register对应的C变量是u16_rounding
const uint16x8_t u16_rounding = vdupq_n_u16(128);
// 复制8个值为128的uint8_t类型整数到某个D-register，该D-register对应的C变量是scalar
uint8x8_t scalar = vdup_n_u8(76);
// pixel_bgr.val[0]为一个Q-register，16个uint8_t类型的数，对应R通道
// pixel_bgr.val[1]为一个Q-register，16个uint8_t类型的数，对应G通道
// pixel_bgr.val[2]为一个Q-register，16个uint8_t类型的数，对应B通道
uint8x16x3_t pixel_bgr = vld3q_u8(bgr);
// 一个Q-register对应有两个D-register
// 这是拿到对应R通道的Q-register高位的D-register，有8个R值
// 参见Guide中Register overlap一节（这部分内容很重要！）
// 其他如low_r、high_g的情况相似，这里从略
uint8x8_t high_r = vget_high_u8(pixel_bgr.val[0]);
// 对8个R值执行乘76操作
// vmull是变长指令（常以单词末尾额外的L作为标记），源操作数是两个uint8x8_t的向量，目的操作数是uint16x8_t的向量
// 到这一步：Y = R * 76
// low_y的情况类似，从略
high_y = vmull_u8(high_r, scalar);
// 把scalar的8个128改为8个150
scalar = vdup_n_u8(150);
// 执行乘加运算
// 到这一步：Y = R * 76 + G * 150
high_y = vmlal_u8(high_y, high_g, scalar);
// 把scalar的8个150改为8个29
scalar = vdup_n_u8(29);
// 执行乘加运算
// 到这一步：Y = R * 76 + G * 150 + B * 29
high_y = vmlal_u8(high_y, high_b, scalar);
// 到这一步：Y = (R * 76 + G * 150 + B * 29) + 128
high_y = vaddq_u16(high_y, u16_rounding);
// vqshrn_n_u16是变窄指令（常以单词末尾额外的N作为标记，N为Narrow），将uint16x8_t的向量压缩为uint8x8_t
// 到这一步：Y = ((R * 76 + G * 150 + B * 29) + 128) >> 8
// vcombine_u8用于将两个D-register的值组装到一个Q-register中
pixel_yuv.val[0] = vcombine_u8(vqshrn_n_u16(low_y, 8), vqshrn_n_u16(high_y, 8));- 看官也许已经注意到了，在前面的
BGR888ToYUV444函数中，我并非像上面的代码一样，将一个通道的运算放到一块，而是有意将Y、U、V三个通道的运算打散搅在一起。这是为了尽可能减少data dependency所引起的stall，这也是优化NEON代码需要着重考虑的方向之一。 - 对NEON稍有了解的细心看官可能会问：乘法和加法所需要的128、76等常数为何不用立即数——例如NEON的
vmul_n——而是采用先批量复制常数到向量再做向量运算？这是因为我们很多运算的源操作数是int8x8_t或uint8x8_t的向量，vmul_n等API很不幸不支持这种格式。这里也良心提醒看官，写NEON intrinsics或者汇编一定要对照Guide后面的附录列出的格式，否则编译器常常会报一些风马牛不相及的错误，把人往坑里带——我当初可是各种踩坑各种在不相关的地方纠结啊555...
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用。你还可以使用@来通知其他用户。