使用ARM NEON的8x8浮点32_t矩阵乘法速度较慢?
我想知道是什么内在因素使SIMD比普通矩阵乘法慢,我应该怎么做才能使使用SIMD的大矩阵乘法更快。这里有使用ARM NEON的8x8浮点32_t矩阵乘法速度较慢?,arm,matrix-multiplication,simd,neon,Arm,Matrix Multiplication,Simd,Neon,我想知道是什么内在因素使SIMD比普通矩阵乘法慢,我应该怎么做才能使使用SIMD的大矩阵乘法更快。这里有matrixA[8][8],matrixB[8][8]和结果matrixC[8][8]。因为float32_t的最大元素数是4,所以我使用了2个vmul和vadd,这两个元素似乎没有得到优化。我在ARMv7-A Cortex A8上工作 void matrix_mult_neon (void) { int i; float32x4x2_t vectB1, vectB2, ve
matrixA[8][8]
,matrixB[8][8]
和结果matrixC[8][8]
。因为float32_t的最大元素数是4,所以我使用了2个vmul和vadd,这两个元素似乎没有得到优化。我在ARMv7-A Cortex A8上工作
void matrix_mult_neon (void)
{
int i;
float32x4x2_t vectB1, vectB2, vectB3, vectB4, vectB5, vectB6, vectB7, vectB8;
vectB1 = vld2q_f32(matrixB[0]);
vectB2 = vld2q_f32(matrixB[1]);
vectB3 = vld2q_f32(matrixB[2]);
vectB4 = vld2q_f32(matrixB[3]);
vectB5 = vld2q_f32(matrixB[4]);
vectB6 = vld2q_f32(matrixB[5]);
vectB7 = vld2q_f32(matrixB[6]);
vectB8 = vld2q_f32(matrixB[7]);
float32x4x2_t vectT1, vectT2, vectT3, vectT4, vectT5, vectT6, vectT7, vectT8;
for (i = 0; i < 8; i++)
{
vectT1.val[0] = vmulq_n_f32(vectB1.val[0], matrixA[i][0]);
vectT1.val[1] = vmulq_n_f32(vectB1.val[1], matrixA[i][0]);
vectT2.val[0] = vmulq_n_f32(vectB2.val[0], matrixA[i][1]);
vectT2.val[1] = vmulq_n_f32(vectB2.val[1], matrixA[i][1]);
vectT3.val[0] = vmulq_n_f32(vectB3.val[0], matrixA[i][2]);
vectT3.val[1] = vmulq_n_f32(vectB3.val[1], matrixA[i][2]);
vectT4.val[0] = vmulq_n_f32(vectB4.val[0], matrixA[i][3]);
vectT4.val[1] = vmulq_n_f32(vectB4.val[1], matrixA[i][3]);
vectT5.val[0] = vmulq_n_f32(vectB5.val[0], matrixA[i][4]);
vectT5.val[1] = vmulq_n_f32(vectB5.val[1], matrixA[i][4]);
vectT6.val[0] = vmulq_n_f32(vectB6.val[0], matrixA[i][5]);
vectT6.val[1] = vmulq_n_f32(vectB6.val[1], matrixA[i][5]);
vectT7.val[0] = vmulq_n_f32(vectB7.val[0], matrixA[i][6]);
vectT7.val[1] = vmulq_n_f32(vectB7.val[1], matrixA[i][6]);
vectT8.val[0] = vmulq_n_f32(vectB8.val[0], matrixA[i][7]);
vectT8.val[1] = vmulq_n_f32(vectB8.val[1], matrixA[i][7]);
vectT1.val[0] = vaddq_f32(vectT1.val[0], vectT2.val[0]);
vectT1.val[0] = vaddq_f32(vectT1.val[0], vectT3.val[0]);
vectT1.val[0] = vaddq_f32(vectT1.val[0], vectT4.val[0]);
vectT1.val[0] = vaddq_f32(vectT1.val[0], vectT5.val[0]);
vectT1.val[0] = vaddq_f32(vectT1.val[0], vectT6.val[0]);
vectT1.val[0] = vaddq_f32(vectT1.val[0], vectT7.val[0]);
vectT1.val[0] = vaddq_f32(vectT1.val[0], vectT8.val[0]);
vectT1.val[1] = vaddq_f32(vectT1.val[1], vectT2.val[1]);
vectT1.val[1] = vaddq_f32(vectT1.val[1], vectT3.val[1]);
vectT1.val[1] = vaddq_f32(vectT1.val[1], vectT4.val[1]);
vectT1.val[1] = vaddq_f32(vectT1.val[1], vectT5.val[1]);
vectT1.val[1] = vaddq_f32(vectT1.val[1], vectT6.val[1]);
vectT1.val[1] = vaddq_f32(vectT1.val[1], vectT7.val[1]);
vectT1.val[1] = vaddq_f32(vectT1.val[1], vectT8.val[1]);
vst2q_f32(matrixC_neon[i], vectT1);
}
}
void矩阵(void)
{
int i;
浮动32x4x2_t vectB1、vectB2、vectB3、vectB4、vectB5、vectB6、vectB7、vectB8;
vectB1=vld2q_f32(matrixB[0]);
vectB2=vld2q_f32(matrixB[1]);
vectB3=vld2q_f32(matrixB[2]);
vectB4=vld2q_f32(matrixB[3]);
vectB5=vld2q_f32(matrixB[4]);
vectB6=vld2q_f32(matrixB[5]);
vectB7=vld2q_f32(matrixB[6]);
vectB8=vld2q_f32(matrixB[7]);
浮动32x4x2_t向量1、向量2、向量3、向量4、向量5、向量6、向量7、向量8;
对于(i=0;i<8;i++)
{
vect1.val[0]=vmulq_n_f32(vectB1.val[0],matrixA[i][0]);
vectT1.val[1]=vmulq_n_f32(vectB1.val[1],matrixA[i][0]);
vectT2.val[0]=vmulq_n_f32(vectB2.val[0],matrixA[i][1]);
vectT2.val[1]=vmulq_n_f32(vectB2.val[1],matrixA[i][1]);
vect3.val[0]=vmulq_n_f32(vect3.val[0],matrixA[i][2]);
vect3.val[1]=vmulq_n_f32(vect3.val[1],matrixA[i][2]);
vect4.val[0]=vmulq_n_f32(vectB4.val[0],matrixA[i][3]);
vect4.val[1]=vmulq_n_f32(vect4.val[1],matrixA[i][3]);
vect5.val[0]=vmulq_n_f32(vect5.val[0],matrixA[i][4]);
vect5.val[1]=vmulq_n_f32(vect5.val[1],matrixA[i][4]);
vect6.val[0]=vmulq_n_f32(vect6.val[0],matrixA[i][5]);
vect6.val[1]=vmulq_n_f32(vect6.val[1],matrixA[i][5]);
vect7.val[0]=vmulq_n_f32(vectB7.val[0],matrixA[i][6]);
vect7.val[1]=vmulq_n_f32(vectB7.val[1],matrixA[i][6]);
vect8.val[0]=vmulq_n_f32(vect8.val[0],matrixA[i][7]);
vect8.val[1]=vmulq_n_f32(vect8.val[1],matrixA[i][7]);
vectT1.val[0]=vaddq_f32(vectT1.val[0],vectT2.val[0]);
vectT1.val[0]=vaddq_f32(vectT1.val[0],vectT3.val[0]);
vectT1.val[0]=vaddq_f32(vectT1.val[0],vectT4.val[0]);
vect1.val[0]=vaddq_f32(vect1.val[0],vect5.val[0]);
vect1.val[0]=vaddq_f32(vect1.val[0],vect6.val[0]);
vect1.val[0]=vaddq_f32(vect1.val[0],vect7.val[0]);
vect1.val[0]=vaddq_f32(vect1.val[0],vect8.val[0]);
vectT1.val[1]=vaddq_f32(vectT1.val[1],vectT2.val[1]);
vect1.val[1]=vaddq_f32(vect1.val[1],vect3.val[1]);
vect1.val[1]=vaddq_f32(vect1.val[1],vect4.val[1]);
vect1.val[1]=vaddq_f32(vect1.val[1],vect5.val[1]);
vect1.val[1]=vaddq_f32(vect1.val[1],vect6.val[1]);
vect1.val[1]=vaddq_f32(vect1.val[1],vect7.val[1]);
vect1.val[1]=vaddq_f32(vect1.val[1],vect8.val[1]);
vst2q_f32(矩阵氖[i],向量TT1);
}
}
我的标准矩阵乘法函数:
void matrix_mult (void)
{
float tempProduct;
int i, j, k;
for (i = 0; i < 8; i++)
{
for (j = 0; j < 8; j++)
{
tempProduct = 0;
for (k = 0; k < 8; k++)
{
tempProduct = tempProduct + matrixA[i][k] * matrixB[k][j];
}
matrixC[i][j] = tempProduct;
}
}
}
void矩阵(void)
{
浮子产品;
int i,j,k;
对于(i=0;i<8;i++)
{
对于(j=0;j<8;j++)
{
tempProduct=0;
对于(k=0;k<8;k++)
{
tempProduct=tempProduct+matrixA[i][k]*matrixB[k][j];
}
matrixC[i][j]=时间积;
}
}
}
我使用库中的函数来计算纳秒时间。问题:
有一个总大小为256字节的霓虹灯寄存器组aarch32
- 8x8浮点矩阵已经有256字节大,您需要三个。(768)
- 您必须“垂直”读取矩阵B,这意味着物理上不可能通过“流”方式来实现最大的数据局部性
- 你做向量标量乘法,这需要四倍于向量乘法的总和
- 通过
加载Mat A。而VFP
上的Cortex-A8
速度特别慢,加上VFP
NEON
切换开销。与自动矢量化不同的是,Inquired可以按照您要求的方式执行几乎所有操作。你的指示是错误的VFP
static __always_inline float32x2_t dotProduct(float32x4x2_t input1, float32x4x2_t input2)
{
float32x2_t d0, d1;
float32x4_t q0;
input1.val[0] = vmulq_f32(input1.val[0], input2.val[0]);
input1.val[1] = vmulq_f32(input1.val[1], input2.val[1]);
q0 = vaddq_f32(input1.val[0], input1.val[1]);
d0 = vget_low_f32(q0);
d1 = vget_high_f32(q0);
d0 = vpadd_f32(d0, d1);
d0 = vpadd_f32(d0, d1);
return d0;
}
void matMulF_neon(float *pDst, float *pMatA, float *pMatB)
{
float32x4x4_t line01, line23, line45, line67;
float32x4x2_t b[8], *pA, *pB, temp;
float32x2x4_t result;
uint32_t i;
// vld4 for easier transpose
line01 = vld4q_f32(pMatB++);
line23 = vld4q_f32(pMatB++);
line45 = vld4q_f32(pMatB++);
line67 = vld4q_f32(pMatB);
// transpose MatB
vuzpq_f32(line01.val[0], line45.val[0]);
vuzpq_f32(line01.val[1], line45.val[1]);
vuzpq_f32(line01.val[2], line45.val[2]);
vuzpq_f32(line01.val[3], line45.val[3]);
vuzpq_f32(line23.val[0], line67.val[0]);
vuzpq_f32(line23.val[1], line67.val[1]);
vuzpq_f32(line23.val[2], line67.val[2]);
vuzpq_f32(line23.val[3], line67.val[3]);
// store MatB to stack
b[0].val[0] = line01.val[0];
b[0].val[1] = line01.val[1];
b[1].val[0] = line01.val[2];
b[1].val[1] = line01.val[3];
b[2].val[0] = line23.val[0];
b[2].val[1] = line23.val[1];
b[3].val[0] = line23.val[2];
b[3].val[1] = line23.val[3];
b[4].val[0] = line45.val[0];
b[4].val[1] = line45.val[1];
b[5].val[0] = line45.val[2];
b[5].val[1] = line45.val[3];
b[6].val[0] = line67.val[0];
b[6].val[1] = line67.val[1];
b[7].val[0] = line67.val[2];
b[7].val[1] = line67.val[3];
pA = (float32x4x2_t *) pMatA;
i = 8;
do
{
// just the right amount of data for aarch32 NEON register bank size
pB = b;
temp = *pA++;
result.val[0] = dotProduct(*pB++, temp);
result.val[1] = dotProduct(*pB++, temp);
result.val[2] = dotProduct(*pB++, temp);
result.val[3] = dotProduct(*pB++, temp);
vst4_lane_f32(pDst++, result, 0);
result.val[0] = dotProduct(*pB++, temp);
result.val[1] = dotProduct(*pB++, temp);
result.val[2] = dotProduct(*pB++, temp);
result.val[3] = dotProduct(*pB, temp);
vst4_lane_f32(pDst++, result, 0);
} while (--i);
}
///////////////////////////编辑
我检查了反汇编,生成的代码是FUBAR。(利纳罗GCC 7.1.1)
我要走集合路线。在intrinsics中编写NEON代码纯粹是浪费时间。比什么慢?你用的是哪种ARM芯片,有哪些编译器选项?也许你的编译器自动矢量化比你手动矢量化要好。还有,你到底是怎么计算时间的?我编辑了这篇文章来澄清。我想知道的是,我在NEON函数中哪里做错了,或者没有进行足够的优化?您使用了什么编译器,以及哪些选项?您是否启用了
-ffast math
?(NEON FP不完全符合IEEE标准,我认为如果没有-ffast math
,编译器可能会解包为scalar)@PeterCordes你说NEON for AArch32不符合IEEE标准是对的,但这是自动矢量化代码而不是内部代码的问题。Neon intrinsic总是被允许发出相关的Neon指令。@Petercords纯粹是猜测,因为我没有看到这里列出的编译器版本号-但当启用-ffast math
时,GCC 6似乎会做出一些稍微不同的调度决策。GCC 7生成几乎相同的代码,而不考虑-ffast math
(对于testcase