ARM平台NEON指令的编译和优化
本文介绍了ARM平台基于ARM v7-A架构的ARM Cortex-A系列处理器(Cortex-A5, Cortex-A7,Cortex-A8, Cortex-A9, Cortex-A15)上的NEON多媒体处理硬件加速器针对C/C++语言、汇编语言和NEON intrinsics如何编译和优化，包含如何向量化、向量化的ARMCC和GCC编译器选项、NEON的汇编和EABI程序调用规范、如何在bare-metal和Linux操作系统上检测NEON硬件、如何指导编译器进行向量化NEON指令的优化等内容。
NEON向量化
基于ARM v7-A架构的ARM Cortex-A系列处理器(Cortex-A5, Cortex-A7, Cortex-A8, Cortex-A9, Cortex-A15)都可以选用NEON多媒体处理器加速程序运行，NEON是一种SIMD（Single Instruction Multiple Data）架构的协处理器，ARM的NEON处理器还可选配置成向量浮点VFPv3（Vector Floating-Point）指令集处理器。
常用的编译器选项配置
自动向量化选项
armcc编译器使用–vectorize选项来使能向量化编译，一般选择更高的优化等级如-O2或者-O3就能使能–vectorize选项。
gcc编译器的向量化选项-ftree-vectorize来使能向量化选项，使用-O3会自动使能-ftree-vectorize选项。
选择处理器类型
armcc编译器使–cpu 7-A或者–cpu Cortex-A8来指定指令集架构和CPU类型。
gcc编译器的处理器选项-mfpu=neon和-mcpu来指定cpu类型。如-mcpu=cortex-a5
选择NEON和VFP类型
gcc选择用-mfpu=vfpv3-fp16来指定为vfp协处理，而-mfpu=neon-vfpv4等就能指定为NEON+VFP结构。
选择浮点处理器和ABI接口类型
-mfloat-abi=soft使用软件浮点库，不是用VFP或者NEON指令；-mfloat-abi=softfp使用软件浮点的调用规则，而可以使用VFP和NEON指令，编译的目标代码和软件浮点库链接使用；
-mfloat-abi=hard使用VFP和NEON指令，并且改变ABI调用规则来产生更有效率的代码，如用vfp寄存器来进行浮点数据的参数传递，从而减少NEON寄存器和ARM寄存器的拷贝。
常用的CPU类型编译器选项
| CPU类型 | CPU类型选项 | FP选项 | FP + SIMD选项 | 备注 |
|---|---|---|---|---|
| Cortex-A5 | -mcpu=cortex-a5 | -mfpu=vfpv3-fp16 -mfpu=vfpv3-d16-fp16 |
-mfpu=neon-fp16 | -d16表明只有前16个浮点寄存器可用 |
| Cortex-A7 | -mcpu=cortex-a7 | -mfpu=vfpv4 -mfpu=vfpv4-d16 |
-mfpu=neon-vfpv4 | -fp16表明支持16bit半精度浮点操作 |
| Cortex-A8 | -mcpu=cortex-a8 | -mfpu=vfpv3 | -mfpu=neon | |
| Cortex-A9 | -mcpu=cortex-a9 | -mfpu=vfpv3-fp16 -mfpu=vfpv3-d16-fp16 |
-mfpu=neon-fp16 | |
| Cortex-A15 | -mcpu=cortex-a15 | -mfpu=vfpv4 | -mfpu=neon-vfpv4 |
常用的gcc组合编译器选项
Cortex-A15 with a NEON unit
arm-gcc -O3 -mcpu=cortex-a15 -mfpu=neon-vfpv4 -mfloat-abi=hard -ffast-math -omyprog.exe myprog.cCortex-A9 with a NEON unit
arm-gcc -O3 -mcpu=cortex-a9 -mfpu=neon-vfpv3-fp16 -mfloat-abi=hard -ffast-math -omyprog.exe myprog.cCortex-A7 without a NEON unit
arm-gcc -O3 -mcpu=cortex-a7 -mfpu=vfpv4-d16 -mfloat-abi=softfp -ffast-math -omyprog2.exe myprog2.cCortex-A8 without a NEON unit
arm-gcc -O3 -mcpu=cortex-a8 -mfloat-abi=soft -c -o myfile.omyfile.cNEON汇编和EABI程序调用规范
GNU assembler (gas) and ARM Compiler toolchain assembler(armasm)都支持NEON指令的汇编。但必须遵循ARMEmbedded Application Binary Interface (EABI)EABI的规范，即NEON寄存器的S0-S15 (D0-D7, Q0-Q3)用于传递参数和返回值，被调用函数内可以直接使用，不用保存；D16-D31 (Q8-Q15)则有调用函数来保存，被调用函数内可以不保存的随意使用；而S16-S31(D8-D15, Q4-Q7)则必须由被调用函数内部保存。对于调用传参规范则有，对于软件浮点，参数有R0~R3和堆栈stack传递，而硬件浮点，可以通过NEON寄存器来传递参数。
NEON硬件检测和使能
编译时指定NEON单元是否存在
ARM编译器(armcc)从4.0之后就支持在某些处理器和FPU的选项中预定义宏ARM_NEON， armasm的宏TARGET_FEATURE_NEON.
运行时指定检测NEON单元
OS内可以检测NEON单元是否存在，如Linux下cat /proc/cpuinfo看是否包含NEON或者VFP，
如Tegra2 (双核 Cortex-A9 带 FPU),
# cat /proc/cpuinfo
Features : swp half thumb fastmult vfp edsp thumbee vfpv3vfpv3d16四核 Cortex-A9 带NEON单元
# cat /proc/cpuinfo
Features : swp half thumb fastmult vfp edsp thumbee neonvfpv3 另外，可以查看/proc/self/auxv，这里会包含二进制格式的hwcap，可以通过AT_HWCAP来搜索到。HWCAP_NEON bit (4096).另外如Ubuntu的发布在路径/lib/neon/vfp下包含lib的NEON优化版本。
Bare-metal模式下使能NEON
#include <stdio.h> // Bare-minimum start-up code to run NEON code __asm void EnableNEON(void) { MRC p15,0,r0,c1,c0,2 // Read CPAccess register ORR r0,r0,#0x00f00000 // Enablefull access to NEON/VFP by enabling access to // Coprocessors 10 and 11 MCR p15,0,r0,c1,c0,2 // Write CPAccess registerISB MOV r0,#0x40000000 // Switch onthe VFP and NEON hardware MSR FPEXC,r0 // Set EN bit inFPEXC }
下面的EnableNEON函数使能NEON协处理器；使用下面的编译选择就能在bare-metal下使能NEON
armcc -c --cpu=Cortex-A8 --debug hello.c -o hello.o
armlink --entry=EnableNEON hello.o -o hello.axf系统运行时使能NEON
内核在遇到第一个NEON指令时会产生一个UndefinedInstruction的异常，这会让内核自动重启NEON协处理器，内核还可以在上下文切换时关闭NEON来省电。
Linux内核的NEON配置
图1. NEON的Linux内核配置
使能NEON，需要选择以下选项
Floating point emulation → VFP-format floating point maths
Floating pointemulation → Advanced SIMD (NEON) Extension
检查Linux的配置文件来确认内核是否使能NEON
zcat /proc/config.gz | grep NEON
看是否存在
CONFIG_NEON=y
确认处理器是否支持NEON
cat /proc/cpuinfo | grep neon
看是否有如下内容
Features : swp half thumb fastmult vfp edsp neon vfpv3 tlsvfpv4 idiva idivt
向量化NEON优化指南
避免指针混叠alias
C90不要求指针位置，不同指针可以指向相同的内存区域，C99中引入了__restrict关键字来表明只有这个指针能指向它工作的区域。
告诉编译器循环信息
如循环是否某个整数的整数倍，以方便向量化；如下表明循环次数是4的整数倍：
for(i=0 ; i < (len & ~3) ; i++) { ... } for (i=0; i<(items*4); i+=1) { ... }
循环展开
#pragma unroll (n)采用NEON Intrinsics
armcc, GCC/g++和llvm等编译器都支持 NEON C/C++ intrinsics，并且采用相同的语法规范。因而代码可以在各个编译器间共享。NEON Intrinsics的代码容易维护而且效率高。NEON Intrinsics采用新的数据类型，这些类型对应于D和Q寄存器。NEONIntrinsics写起来像是函数调用但对应于每一条NEON指令。编程NEON Intrinsics时不用考虑具体的寄存器分配和代码的schedule，pipeline流水安排等。但NEON Intrinsics往往不能产生想象的代码，性能上相比纯汇编要稍差一些。
减少循环内的相关性
如果当前迭代时使用的数据是上次迭代计算的结果，就产生了迭代间的相关性，可以拆分循环来减少相关。
向量化其他准则
短小的循环更容易让编译器实现自动向量化； 避免在循环内使用break退出循环 避免在循环内使用过多的条件语句，减少可能产生的条件跳转； 让循环次数尽可能是2的幂次 让编译器知晓循环次数，减少对循环次数为0等的判断； 循环内调用的函数尽量inline内联 使用数组+索引的方式访问比指针形式更容易向量化； 间接寻址(多重索引)不会向量化； 使用restrict关键字来告诉编译器没有重叠的内存区域；
总结
本文介绍了ARM平台基于ARM v7-A架构的ARM Cortex-A系列处理器(Cortex-A5, Cortex-A7,Cortex-A8, Cortex-A9, Cortex-A15)上的NEON多媒体处理硬件加速器针对C/C++语言、汇编语言和NEON intrinsics如何编译和优化，包含如何向量化、向量化的ARMCC和GCC编译器选项、NEON的汇编和EABI程序调用规范、如何在bare-metal和Linux操作系统上检测NEON硬件、如何指导编译器进行向量化NEON指令的优化等内容。