C++ 向量中的内部元素

我想用Neon intrinsic优化这样的代码。基本上在给定的输入

012345678

将产生产出,

2110543876

获取3个向量，然后从src[2]、src[1]、src[0]访问每个元素并写入内存

有人能帮忙吗

---

谢谢。

这在底层指令集中非常容易，因为您正在交换三元素结构的两个元素，这实际上已经说明了相关的指令：

vld3.u8 {d0-d2}, [r0]
vswp d0, d2
vst3.u8 {d0-d2}, [r0]

在中甚至有这个确切的例子，因为它是RGB-BGR转换，这正是NEON设计的处理方式

对于intrinsics，它有点棘手，因为没有

vswp

的内在特性；您只需用C语言表达它，并相信编译器会做正确的事情：

uint8x8x3_t data = vld3_u8(src);
uint8x8_t tmp = data.val[0];
data.val[0] = data.val[2];
data.val[2] = tmp;
vst3_u8(dest, data);

---

也就是说，由于手头的编译器是各种版本的GCC，我没能说服他们中的任何一个真正发出

vswp

——代码生成从次优到愚蠢不等。Clang做得更好，但仍然没有vswp；其他编译器可能更聪明。

这应该是相当严格的，使用

VTBL

和

VEXT

一次处理3 x 16字节的向量，以处理每个向量的不同“阶段”。你能分享示例代码吗？我现在真的没有时间编写完整的解决方案，但是，看看ARM文档，上面的两个说明应该是不言而喻的。谢谢你的回答。我使用“vld3q_u8”而不是“vld3_u8”，内部函数的结果似乎更好，但我在汇编中实现了它，但是“vld3.u8{d0，d2，d4}”在每个寄存器中只加载8个元素。查看参考“vld3q_u8”相当于“vld3.8{d0，d2，d4}”，使用

vld3q_u8

内在函数一次执行16个元素，实际上将产生两个

vld3.u8

指令-即

vld3.8{d0，d2，d4}[r0]！；vld3.8{d1，d3，d5}，[r0]

（最后有两个存储区，但至少可以使用Q寄存器进行一次交换）。对于某些CPU来说，这可能会导致不太理想的结果，这些CPU希望加载和存储尽可能交替，而不是集中在一起，但无论如何都要选择机器上最快的。

vld3.u8 {d0-d2}, [r0]
vswp d0, d2
vst3.u8 {d0-d2}, [r0]

uint8x8x3_t data = vld3_u8(src);
uint8x8_t tmp = data.val[0];
data.val[0] = data.val[2];
data.val[2] = tmp;
vst3_u8(dest, data);