c++ - 在 arm neon 中有效地重新洗牌和组合 16 个 3 位数字
问题描述
我有一个由十六个无符号数字组成的数组,其中每个数字都小于 8(例如,它可以用 3 位表示)。这十六个数字被加载到一个uint8x16_t
q 寄存器中。我需要重新洗牌和组合它们,类似于这个伪代码:
void reshuffleCombine(uint8_t src[16], uint64_t* dst)
{
uint64 d = 0;
d |= uint64(src[0]) << 45;
d |= uint64(src[4]) << 42;
d |= uint64(src[8]) << 39;
d |= uint64(src[12]) << 36;
d |= uint64(src[1]) << 33;
d |= uint64(src[5]) << 30;
d |= uint64(src[9]) << 27;
d |= uint64(src[13]) << 24;
d |= uint64(src[2]) << 21;
d |= uint64(src[6]) << 18;
d |= uint64(src[10]) << 15;
d |= uint64(src[14]) << 12;
d |= uint64(src[3]) << 9;
d |= uint64(src[7]) << 6;
d |= uint64(src[11]) << 3;
d |= uint64(src[15]) << 0;
*dst = d;
}
void reshuffleCombineNeon(uint8x16_t src, uint64_t* dst)
{
uint64x1_t res;
// ??
vst1_u64(dst, res);
}
我可以用 1 个 vld 后跟 1 个 vtbl 重新洗牌,但是,这整个操作是最后的步骤之一,不会重复多次(例如,1 个 vld 不能在多个 reshuffleCombine 之间共享),因此使用 vtrn/ 可能会更好如果可能,vzip 可能比 vld+vtbl 更有效。但是,问题的要点是:如何将所有这 16 个 3 位数字合并为一个 48 位值(存储在 64 位 uint 中)。该函数在算法结束时运行,16 个 3 位数字来自 neon,函数结果存储在内存中。
void reshuffleCombineNeon(uint8x16_t src, uint32_t* dst)
{
static const uint8_t idx0[] = { 15, 7, 14, 6, 13, 5, 12, 4 };
static const uint8_t idx1[] = { 11, 3, 10, 2, 9, 1, 8, 0 };
uint8x8x2_t y;
y.val[0] = vget_low_u8(src);
y.val[1] = vget_high_u8(src);
uint8x8_t vidx0 = vld1_u8(idx0);
uint8x8_t vidx1 = vld1_u8(idx1);
uint8x8_t x0 = vtbl2_u8(y, vidx0);
uint8x8_t x1 = vtbl2_u8(y, vidx1);
uint8x8_t x01 = vsli_n_u8(x0, x1, 3);
uint16x8_t x01L = vmovl_u8(x01);
uint32x4_t x01LL = vsraq_n_u32(vreinterpretq_u32_u16(x01L), vreinterpretq_u32_u16(x01L), 10);
x01LL = vmovl_u16(vmovn_u32(x01LL));
uint64x2_t x01X = vsraq_n_u64(vreinterpretq_u64_u32(x01LL), vreinterpretq_u64_u32(x01LL), 20);
x01X = vmovl_u32(vmovn_u64(x01X));
uint64x1_t X0 = vget_low_u64(x01X);
uint64x1_t X1 = vget_high_u64(x01X);
X0 = vsli_n_u64(X0, X1, 24);
vst1_u32(dst, vreinterpret_u32_u64(X0));
}
解决方案
好的,不管它值多少钱,下面是根据我所知优化的 NEON 版本:
rev64 v16.16b, v16.16b
usra v16.2d, v16.2d, #32-3 // 8 elements (8bit)
ushll v17.8h, v16.8b, #6
uaddw2 v16.8h, v17.8h, v16.16b // 4 elements (16bit)
uxtl v16.4s, v16.4h
usra v16.2d, v16.2d, #32-12 // 2 elements (32bit)
ushll2 v17.2d, v16.4s, #24
uaddw v16.2d, v17.2d, v16.2s // 1 element (64bit), d16 contains the result
它应该比你的快得多,但同样,它在有序机器上没有多大意义。
推荐阅读
- node.js - getstream 通知订阅不会推送带有计数的聚合信息
- android - Ubuntu 上的 Android Studio adb
- sql - 案例陈述协助
- amazon-s3 - AWS 签名 URL 可以检查重复图像吗
- javascript - JSON对象到数组Javascript
- sql - 根据某列的 MAX 值选择不同的行
- rust - proc_macro_attribute 似乎不能很好地与 struct impls 和 traits 配合使用
- javascript - 开发模式下的 API 请求不同于生产模式下的 API 请求
- python - 图像到二维数组的转换耗时太长
- flutter - 使用 Flutter AudioPlayers 播放其他媒体时停止音频