这是一篇关于在 M1 Pro 上使用不同方法优化代码性能的博客文章，主要内容如下：

• 基本方法：C 语言实现的基本算法，通过循环遍历字节数组并根据字符进行计数操作，与 Owen 的 310MB/s 相比，作者得到 305MB/s 的速度，对应的 A64 汇编与 x64 指令几乎等效，但 Clang 使用 mov 和 add 寄存器而不是立即数 add 让作者困惑。
• 表驱动方法：通过将分支替换为表查找来优化紧密循环，性能提升 9 倍至 2.712GB/s，但与 Owen 的 4GB/s 相比仍有差距。使用 -falign-loops=64 指令后性能大致保持在 2.695GB/s，分析发现函数 90.8%的时间用于从输入加载字节，为提高速度需一次加载多个字节。
• 作弊事件 #1 - 显式长度：输入地址空间后接未映射区域，一次加载多个字节可能导致段错误，可直接传入输入长度而不依赖空终止符来处理“剩余字节”（“slack”），实现新的实现方式后性能提升 15 倍至 4.610GB/s。
• 按块处理输入：将输入指针从 uint8_t * 转换为 uint64_t * 以一次加载 8 个字节，处理完后再处理剩余字节（“slack”），性能提升至 6.358GB/s，Clang 消除了 memcpy 和循环，生成了高效但冗长的汇编代码。
• 使用 128 位整数减少加载次数：AArch64 提供 32 个 128 位寄存器，可用于优化代码，将 table_8 中的数据类型修改为 __uint128_t 后性能提升至 7.090GB/s，尽管 128 位寄存器未实际使用，但 Clang 能有效优化代码。
• 新方法：Neon：介绍 Arm 的 Neon 指令集，可用于单指令多数据操作，通过 Neon 实现算法，性能提升至 22.519GB/s，比原始方法快 73 倍，但进一步分析发现函数 81.6%的时间用于 vaddlvq_s8 指令，可通过减少向量减少操作来进一步优化。
• 减少减少操作次数：不每次循环都减少向量，而是使用向量累加器变量在末尾减少，性能再次提升至 33.952GB/s，比原始方法快 111 倍，但 Thomas Ip 的代码达到 48.522GB/s，作者对其代码进行重构和优化后达到 21.171GB/s，通过调整循环迭代次数可再次提升性能至 49.806GB/s，比原始方法快 163 倍，尝试应用 least-significant bit 策略后性能达到 87.017GB/s 或 87.138GB/s。
• 总结：优化代码时应先尝试让编译器自动向量化代码，使用 SIMD intrinsics 前要检查生成的汇编代码，必要时可使用原始汇编代码，同时要注意编译器的优化行为和性能计数器的准确性。