c - 优化 NEON XOR 实现

Question

尝试异或一个巨大的 uint32 数组我决定使用 NEON 协处理器。

我实现了两个 c 版本:

版本 1:

uint32_t xor_array_ver_1(uint32_t *array, int size)
{
    uint32x2_t acc = vmov_n_u32(0);
    uint32_t acc1 = 0;
    for (; size != 0; size -= 2) {
        uint32x2_t vec;
        vec = vld1_u32(array);
        array += 2;
        acc = veor_u32(acc, vec);
    }
    acc1 = vget_lane_u32(acc,0) ^ vget_lane_u32(acc,1);
    return acc1;
}

版本 2:

uint32_t xor_array_ver_2(uint32_t *array, int size)
{
    uint32x4_t acc = vmovq_n_u32(0);
    uint32_t acc1 = 0;

    for (; size != 0; size -= 4) {
        uint32x4_t vec;
        vec = vld1q_u32(array);
        array += 4;
        acc = veorq_u32(acc, vec);
    }

    acc1 ^= vgetq_lane_u32(acc,0);
    acc1 ^= vgetq_lane_u32(acc,1);
    acc1 ^= vgetq_lane_u32(acc,2);
    acc1 ^= vgetq_lane_u32(acc,3);

    return acc1;
}

上述2个版本与传统异或实现的对比:

for (i=0; i<arr_size; i++)
        val ^= my_array[i];

我发现了 2 个问题:

1. 版本 1 具有相同的性能。
2. 版本 2 比 30% 好一点。

---

1. 我可以重写它以使其更好吗？其中 my_array 声明为 uint32_t my_array[BIG_LENGTH];
2. 是否有一种非 NEON 方法可以提高常规异或代码的性能？ unrolling the loop没有任何改善。

Answer 1

这很可能是内存带宽受限 - 一旦您使可用 DRAM 带宽饱和，每次加载只需一个 ALU 操作就可以很容易地做到这一点，您将不会从优化中获得任何进一步的好处。

如果可能，尝试将您的 XOR 与对同一数据的另一个操作结合起来 - 这样您就可以分摊缓存未命中的成本。