从ARM指令集参考中阅读，执行水平缩减的操作确实将目标值保存在 neon 寄存器中。
然而，intrinsic定义和clang实现都将返回值转换为标量类型：
__ai uint32_t vaddvq_u32(uint32x4_t __p0) {
uint32_t __ret;
__ret = (uint32_t) __builtin_neon_vaddvq_u32(__p0);
return __ret;
}对我来说，这似乎丢失了一些有价值的信息--实现和参考指南只是隐含在所有其他位都为零的情况下，所以为了做
uint16x4_t a(uint8x8_t b) {
return vdup_n_u16(vaddv_u8(b));
}我希望能得到装配
addv b0, v0.8b
dup v0.4h, v0.h[0]而不是
addv b0, v0.8b
fmov w8, s0
dup v0.4h, w8这可能是一个错过的优化，但对我来说，这似乎也是一个设计错误，然后问题是，如果有一种方法来规避这种行为的转换到标量-或实现它在内联汇编。我所尝试的是
asm( " addv %0.h, %0.8h " : "+w"(phase4));但这显然是错误的，因为目标类型不是"w"，这是一个无效的替换addv v30.h, v30.8h，它拒绝编译。因此，至少我缺少了向量的第一个16位元素的寄存器修饰符。
1条答案
按热度按时间5gfr0r5j1#
对于内联汇编方法，有template modifiers用于输出
v寄存器的b/h/s/d/q名称。这个链接是针对armclang的，但它们也被主线clang和gcc支持（尽管gcc没有记录它们和doesn't seem interested in doing so）。所以你可以
其应该发射
addv h30, v30.8h。我不知道如何让编译器自己发出这个。我同意这是一个错过的优化，而且是一个相当不幸的优化，因为在许多机器上，通用和fp/simd寄存器之间的传输是昂贵的。对于Cortex A-72，
fmov Wn, Sm是5个周期的延迟，dup Vn.xx, Wm是8个周期。另一方面，dup Vn.xx, Vm.y[i]只有3个周期。因此，这个错过的优化花费了我们不必要的10个延迟周期。顺便说一句，gcc从the same missed optimization到11.x都有--甚至更糟，因为它还额外添加了一个不必要的
and w0, w0, #255。但是在12.x和更高版本的it optimizes it as we wish中，将值保存在向量寄存器中。