KMC 京都マイクロコンピュータ株式会社

以前にSIMD演算のサンプルとしてこんなプログラムを書きました。

void vmla(float* a, float* x, float* y, float* z)
{
    a[0] = x[0] * y[0] + z[0];
    a[1] = x[1] * y[1] + z[1];
    a[2] = x[2] * y[2] + z[2];
    a[3] = x[3] * y[3] + z[3];
}

これだと実際にはNEONのSIMD命令は生成されませんが、これをちょっと書き直すとNEONのSIMD命令が生成されるようになります。

ポイントは

• 配列をループで使うこと。
• その配列のポインタに __restrict　の属性がついていること。

のようです。

__restrict はそのポインタが他の変数と重なっていないことをコンパイラに知らせるためのものです。

これらを修正したのが以下のプログラムです。

void vmla2(float* __restrict a, float* __restrict x, float* __restrict y, float* __restrict z)
{
    int i;
    for (i=0; i< 4; i++) {
        a[i] = x[i] * y[i] + z[i];
    }
}

これをneon0.c というファイルに格納します。

今回コンパイラはgcc 4.4.0を使っています。

コンパイルオプションは以下のものをつけます。

arm-eabi-gcc -O2 -march=armv7-a -ftree-vectorize -mhard-float -mfloat-abi=softfp -mfpu=neon -mvectorize-with-neon-quad -S neon0.c 

生成されたコードは以下のとおり。

	.align	2
	.global	vmla2
	.type	vmla2, %function
vmla2:
	@ args = 0, pretend = 0, frame = 0
	@ frame_needed = 0, uses_anonymous_args = 0
	@ link register save eliminated.
	orr	ip, r1, r0
	orr	ip, r2, ip
	orr	ip, r3, ip
	tst	ip, #15
	str	r4, [sp, #-4]!
	bne	.L4
	vldmia	r1, {d18-d19}
	vldmia	r2, {d16-d17}
	vmul.f32	q8, q9, q8
	vldmia	r3, {d18-d19}
	vadd.f32	q8, q8, q9
	vstmia	r0, {d16-d17}
.L7:
	ldmfd	sp!, {r4}
	bx	lr
.L4:
	mov	ip, #0
.L6:
	add	r4, r1, ip
	flds	s13, [r4, #0]
	add	r4, r2, ip
	flds	s14, [r4, #0]
	add	r4, r3, ip
	flds	s15, [r4, #0]
	fmacs	s15, s13, s14
	fmrs	r4, s15
	str	r4, [r0, ip]	@ float
	add	ip, ip, #4
	cmp	ip, #16
	bne	.L6
	b	.L7
	.size	vmla2, .-vmla2

NEONのSIMD命令が生成されましたが、積和命令でなく、乗算と加算に分かれました。このプログラムでは直前にメモリからロードしているので、そのロードの遅延を考慮するとこの方が速いのかもしれません。また、3つのオペランドのアライメントをチェックしていて3つとも16バイト境界にあるときのみNEON命令を使うようになっています。興味深いです。

このサイトを参考にさせていただきました。