1.簡介

ARMNEON編程主要有兩種最常用的方式手寫匯編和Intrinsics。本文將對比NEON匯編與NEON Intrinsics編程的優缺點。

2.NEON匯編與Intrinsics

NEON匯編與Intrinsics各有優缺點：

NEON匯編與Intrinsics各有優缺點：但實際情況遠遠比這些復雜很多，特別是涉及到ARM v7-A/v8-A跨平臺的時候。下面我們結合實例做一些更深入的分析。

2.1 編程

對于初學者來說，Intrinsics比較易學易用。但是對于有匯編經驗的開發者來說，可能更熟悉NEON匯編編程，切換到Intrinsics反倒需要有個適應過程。下文列出了實際開發中的一些問題。

2.1.1 指令靈活性

從指令使用角度來說，匯編指令比Intrinsics指令更靈活，主要體現在數據加載/存儲上，比如下例：

• Intrinsics指令

  • 加載數據到一個64位寄存器 vld1_s8/u8/s16/u16/s32…etc

  • 加載數據到一個128位寄存器vld1q_s8/u8/s16/u16/s32…etc

• ARM v7-A匯編

VLD1 { Dd}, [Rn]
VLD1 { Dd, D(d+1) }, [Rn]
VLD1 { Dd, D(d+1), D(d+2)}, [Rn]
VLD1 { Dd, D(d+1), D(d+2), D(d+3) }, [Rn]

• ARM v8-A匯編

LD1 { .]
LD1 { ., .}, []
LD1 { ., ., . }, []
LD1 { ., ., ., . }, []

這個問題主要針對現在，相信隨著編譯器的升級這些問題會逐漸解決的。

在一些情況下，有的編譯器已經能把兩條指令解析成一條匯編指令，比如：


因此，我們有理由由相信，隨著ARM v8-A編譯器的不斷升級，intrinsics指令會完善到跟匯編指令一樣靈活的。

2.1.2 寄存器分配

NEON匯編編程時，需要自己分配寄存器，用戶必須清楚寄存器的使用情況。而Intrinsics編程的一個好處就是，用戶只需要定義變量即可，編譯器會自動分配寄存器。這是優點，但有時也會變成弱點。實踐證明，因為ARMv7-A只有16個128位NEON寄存器，在Intrinsics編程時，如果用戶同時使用過多的NEON寄存器，會導致gcc編譯器的寄存器分配問題。主要表現是編譯器會把很多數據存儲到堆棧中，這樣會極大的影響程序性能。因此用戶在使用Intrinsics編程時要注意這個問題。在性能出現異常時（比如C程序的性能比NEON程序的性能要好），檢查反匯編，看是否有寄存器分配的問題出現。在ARM64中，有32個128位NEON寄存器，這個問題的影響大大減弱。

2.2 性能與編譯器

在同一平臺下，NEON匯編的性能與編譯器無關，只由NEON的實現方式決定。好處是用戶在調整代碼時，用戶可以預測、控制自己程序的性能，但沒有驚喜。

NEON Intrinsics 的性能則極大的依賴于編譯器，不同的編譯器，性能可能有極大的差別。一般來說，越老版本的編譯器，性能越差。如果用戶需要保留對老版本編譯器兼容性時，需要慎重考慮使用Intrinsics。此外，當用戶優化代碼細節的時候，編譯器的介入，使用戶很難預測程序性能的變化，但有時候會有驚喜，有時Intrinsics的性能會比匯編的性能要好。盡管很少見，但確實存在。

編譯器主要對優化NEON程序造成影響。下圖是NEON實現及優化的一般流程：

對于NEON匯編或是Intrinsics來講，實現流程是一樣的，編程——調試——測試。但是調優的步驟是不一樣的。

NEON匯編的調優方式主要有：

? 改變實現方式，比如改變所用指令，調整并行方式。

? 調整指令順序，以降低數據依賴性

? 上文第二章所介紹的方式都可以嘗試

在匯編調優時，最精細方式是：

? 確定匯編指令數目和指令的時序

? 使用PMU (Performance Monitoring Unit)測量程序執行的周期數

? 根據使用指令的時序，調整程序，盡量減少指令延時

這種方式的缺點是，針對指定微架構的調整，換到另外的平臺性能不一定會好。經常花費很大的工作量而只能取得很小的性能提升。

NEON intrinsics的調優則比較困難，

? 嘗試NEON匯編所用的調優方式，然后

? 觀察反匯編，看看數據依賴性、寄存器使用等情況

? 判斷優化效果是否達到預期， 如果符合預期則工作結束。此時，需要測試多種編譯器，檢查性能的異同。

在使用intrinsics轉換ARMv7-A的匯編時，優化效果判斷比較簡單，只要Intrinsics性能接近匯編性能即可。但是，在使用Intrinsics優化ARM v8-A的代碼時，我們沒有性能參考的對象，較難判斷代碼是否調整到最優狀態了。可能會有疑問，會不會匯編實現的性能會更好？但隨著整個ARM v8-A環境的成熟，這個問題帶來的影響會越來越小。另外，如果更看重Intrinsics的其它優點，對性能也不是錙銖必較的話，這個問題的影響也不大。

2.3 跨平臺與可移植性

現在，現有的大部分NEON匯編代碼只能運行在ARM v7-A或是ARM v8-A AArch32模式的平臺上。想要運行在ARM v8-A AArch64模式的平臺，我們必須重寫代碼，這帶來了很大的工作量。這時，NEON Intrinsics代碼的好處就體現出來了，在ARM v8-A AArch64模式下，我們可以直接運行這些代碼，減少了重寫代碼的工作量。同時，我們可以只維護一套代碼，這樣也減少了維護的工作量。

然而，由于ARMv7-A/ARMv8-A的硬件資源不同，即使用Intrinsics，有時我們也需要兩套代碼。Ne10中FFT實現就是一個例子：

// radix 4 butterfly with twiddles
scratch[0].r = scratch_in[0].r;
scratch[0].i = scratch_in[0].i;
scratch[1].r = scratch_in[1].r * scratch_tw[0].r - scratch_in[1].i * scratch_tw[0].i;
scratch[1].i = scratch_in[1].i * scratch_tw[0].r + scratch_in[1].r * scratch_tw[0].i;
scratch[2].r = scratch_in[2].r * scratch_tw[1].r - scratch_in[2].i * scratch_tw[1].i;
scratch[2].i = scratch_in[2].i * scratch_tw[1].r + scratch_in[2].r * scratch_tw[1].i;
scratch[3].r = scratch_in[3].r * scratch_tw[2].r - scratch_in[3].i * scratch_tw[2].i;
scratch[3].i = scratch_in[3].i * scratch_tw[2].r + scratch_in[3].r * scratch_tw[2].i;

上述代碼描述了32位浮點復數FFT算法的基本元——基4蝶形運算。從代碼中我們可以看出：

? 如果在一次循環中，兩個基4蝶形運算并行，需要20個 64位寄存器。

? 如果在一次循環中，四個基4蝶形運算并行，需要20個 128位寄存器。

由于ARM v7-A只有16個128位寄存器，因此，該平臺的FFT實現僅能一次循環兩個基4蝶形運算并行。而ARM v8-A有32個128位寄存器，該平臺的FFT實現能一次循環四個基4蝶形運算并行。因此，即使用Intrinsics，我們也需要兩套代碼。

上例可以說明，在實現一套代碼跨ARM v7-A/v8-A平臺時，我們需要注意一些類似的特例。

2.4 將來

上面已經分析了NEON匯編與Intrinsics的很多問題，但是這些問題都是暫時的。長遠來看，使用intrinsics還是更好。Intrinsics能帶來硬件以及編譯器發展的好處。經典算法只要實現一次即可，不用隨著硬件的升級而重新編程，大大減少了工作量。

2.5 總結

結合實例，上文對NEON匯編和Intrinsics做了一些分析。總體來說，使用intrinsics利大于弊。特別是與匯編相比，Intrinsics更容易編程，且能夠更好地兼容ARMv7-A/ARMv8-A。

下面再總結一下NEON Intrinsics使用時的一些注意事項：

? 使用的寄存器數量

? 編譯器選擇

? 查看反匯編

3.總結

本文通過實際程序分析了NEON匯編與Intrinsics的優缺點。希望能對用戶在NEON實際開發中有些借鑒意義。

審核編輯 ：李倩