Optimization 使用NEON内部函数的代码性能较慢

我正在尝试使用NEON Intrinsic重新实现苹果的功能（我正在将我的DSP代码移植到Android上）：

void vDSP_zvma（常数DSPSplitComplex*\uuu A、vDSP_Stride\uu IA、常数DSPSplitComplex*\uu B、，
vDSP步长IB，常数DSPSplitComplex*\uC，vDSP步长IC，
常数DSPSplitComplex*\uuuuu D、vDSP\u步长\uuuu ID、vDSP\u长度\uu N）{
vDSP_长度n=0；
#ifdef_uuu手臂_u霓虹灯
vDSP_长度后码_开始=u N&~3；
对于（；nrealp+n）；
float32x4\u t Br=vld1q\u f32（\u\u B->realp+n）；
float32x4\u t Cr=vld1q\u f32（\u\u C->realp+n）；
float32x4\u t Ai=vld1q\u f32（\u\u A->imagp+n）；
float32x4\u t Bi=vld1q\u f32（\u\u B->imagp+n）；
float32x4\u t Ci=vld1q\u f32（\u\u C->imagp+n）；
浮动32x4_t Dr=vmlaq_f32（Cr，Ar，Br）；
Dr=vmlsq_f32（Dr，Ai，Bi）；
vst1q_f32（u D->realp+n，Dr）；
浮动32x4_t Di=vmlaq_f32（Ci、Ar、Bi）；
Di=vmlaq_f32（Di，Ai，Br）；
vst1q_f32（u D->imagp+n，Di）；
}
#恩迪夫
对于（；n<\n；n++）{
__D->realp[n]=
__C->realp[n]+\uuu A->realp[n]*\uu B->realp[n]-\uu A->imagp[n]*\uu B->imagp[n]；
__D->imagp[n]=
__C->imagp[n]+\uuu A->realp[n]*\uu B->imagp[n]+\uu A->imagp[n]*\uu B->realp[n]；
}
}

但是，在我的测试中，性能相对较差（约为x3，不带/带霓虹灯）。 原因可能是什么？可以做些什么来解决这个问题

---

更新：澄清一下-这段代码比C（x3）中的naive循环运行得快得多，但是在我移植的其他函数中，性能增益更接近x4（正如预期的那样）。

使用

-O0

进行基准测试是完全无用的，尤其是对于内部函数。如果您想让编译器从您的内部语言中生成良好的机器代码，请使用

-O3

进行编译。这是否回答了您的问题@PeterCordes使用-O3编译器也优化了原始代码。令人惊讶的是，这一点变化不大。我的编译器标志通常是-O3-ffast math。我将编辑这个问题。“使用-O3编译器也会优化原始代码。”这是一个问题吗？你的意思是“使用-O3，我的手动调优版本与优化器版本的速度相同吗？”（如果是这样，那么你不就让编译器来完成这项工作吗？）。你真的想为循环同时运行

？“关于没有/有霓虹灯的x3”-这意味着什么？它比没有SIMD的代码快3倍？那还不错