如何使用arm neon 8位乘法加和到32位向量？；

我在做8位定点工作，我有A数组和B数组，它们都是Q7格式，我想得到它们的和积 演示代码：

int8_t ra1[], ra2[], rb[];
int8x16_t va1, va2, vb;
int16x4_t vsum1, vsum2;
va1 = vld1q_s8(ra1);
va2 = vld1q_s8(ra2);
vb = vld1q_s8(rb);
vsum1 = vdup_n_s16(0);
vsum2 = vdup_n_s16(0);
    for (......)
    vsum1 = vmlal_s8(vsum1, vget_high_s8(va1), vget_high_s8(vb));
    vsum1 = vmlal_s8(vsum1, vget_low_s8(va1), vget_low_s8(vb));

总和+=a*b；这个和是16位的，它很容易溢出，因为a*b是Q7×Q7 16位可以代表Q15。另外，我不能右移Q7xQ7结果，我需要保持高精度。 如何使用neon，我希望总和是32位a，b仍然是8位。我不希望将a和b转换为16位并使用vmlal_s16，速度会很慢。我只需要一条指令，它可以在一个指令时间内进行乘法和加法。 neon c内部函数没有这个功能，也许neon汇编代码可以做到。谁能帮我？谢谢

---

是vmla程序集代码信息。也许我可以使用它。请给我一些建议，我不熟悉汇编代码。

我希望这个代码示例可以帮助您：

inline int32x4_t Correlation(const int8x16_t & a, const int8x16_t & b)
{
    int16x8_t lo = vmull_s8(vget_low_s8(a), vget_low_s8(b));
    int16x8_t hi = vmull_s8(vget_high_s8(a), vget_high_s8(b));
    return vaddq_s32(vpaddlq_s16(lo), vpaddlq_s16(hi));
}

void CorrelationSum(const int8_t * a, const int8_t * b, size_t bStride, size_t size, int32_t * sum)
{
    int32x4_t sums = vdupq_n_s32(0);
    for (size_t i = 0; i < size; i += 16)
        sums = vaddq_s32(sums, Correlation(vld1q_s8(a + i), vld1q_s8(b + i)));
    *sum = vgetq_lane_s32(sums, 0) + vgetq_lane_s32(sums, 1) + vgetq_lane_s32(sums, 2) + vgetq_lane_s32(sums, 3);
} 

---

使用预取可提高15-20%的性能。

您确定在乘法运算速度较慢之前将

a

和

b

转换为16位（即，您是否测试过这一点）？至少一些NEON实现需要两倍于16位x 16位向量乘法的

8位x 8位

向量乘法，因为它们在硬件中有16位乘法器。在这种情况下，这意味着乘法之前的加宽有效地增加了成本。谢谢，但是你使用4条指令，我只需要一条指令，我需要这个函数足够快。我已经完成了16位的固定点，我正在尝试做8位的固定点，所以我需要一条指令，比如vmlal，乘法和加法，一条指令，但是我的8位定点数据太大了，我需要32位求和。我确信，这没关系，因为这个任务受内存吞吐量的限制。谢谢，我会尝试的。

inline int8x16_t Load(const int8_t * p)
{
#ifdef __GNUC__
    __builtin_prefetch(p + 384);
#endif
    return vld1q_s8(p);
}