c++ - 在 arm neon 中高效地重新洗牌和组合 16 个 3 位数字

Question

我有一个由 16 个无符号数字组成的数组，其中每个数字都小于 8(例如，它可以用 3 位表示)。这 16 个数字被加载到 uint8x16_t q 寄存器中。我需要重新洗牌并组合它们，类似于这个伪代码:

void reshuffleCombine(uint8_t src[16], uint64_t* dst)
{
    uint64 d = 0;

    d |= uint64(src[0])  << 45;
    d |= uint64(src[4])  << 42;
    d |= uint64(src[8])  << 39;
    d |= uint64(src[12]) << 36;

    d |= uint64(src[1])  << 33;
    d |= uint64(src[5])  << 30;
    d |= uint64(src[9])  << 27;
    d |= uint64(src[13]) << 24;

    d |= uint64(src[2])  << 21;
    d |= uint64(src[6])  << 18;
    d |= uint64(src[10]) << 15;
    d |= uint64(src[14]) << 12;

    d |= uint64(src[3])  << 9;
    d |= uint64(src[7])  << 6;
    d |= uint64(src[11]) << 3;
    d |= uint64(src[15]) << 0;

    *dst = d;
}

void reshuffleCombineNeon(uint8x16_t src, uint64_t* dst)
{
    uint64x1_t res;
    // ??
    vst1_u64(dst, res);
}

我可以用 1 个 vld 后跟 1 个 vtbl 对它们进行重新洗牌，但是，这整个操作是最后的步骤之一，不会重复很多次(例如，1 个 vld 不能在多个 reshuffleCombines 之间共享)，因此最好是如果可能，请使用 vtrn/vzip，并且可能比 vld+vtbl 更有效。但是，问题的要点是:如何将所有这 16 个 3 位数字合并为一个 48 位值(存储在 64 位 uint 中)。该函数在算法结束时运行，16 个 3 位数字来自 neon，函数的结果存储在内存中。

My neon version :

void reshuffleCombineNeon(uint8x16_t src, uint32_t* dst)
{
    static const uint8_t idx0[] = { 15, 7, 14, 6, 13, 5, 12, 4 };
    static const uint8_t idx1[] = { 11, 3, 10, 2, 9,  1, 8,  0 };

    uint8x8x2_t y;
    y.val[0] = vget_low_u8(src);
    y.val[1] = vget_high_u8(src);

    uint8x8_t vidx0 = vld1_u8(idx0);
    uint8x8_t vidx1 = vld1_u8(idx1);
    uint8x8_t x0 = vtbl2_u8(y, vidx0);
    uint8x8_t x1 = vtbl2_u8(y, vidx1);

    uint8x8_t x01 = vsli_n_u8(x0, x1, 3);
    uint16x8_t x01L = vmovl_u8(x01);

    uint32x4_t x01LL = vsraq_n_u32(vreinterpretq_u32_u16(x01L), vreinterpretq_u32_u16(x01L), 10);
    x01LL = vmovl_u16(vmovn_u32(x01LL));

    uint64x2_t x01X = vsraq_n_u64(vreinterpretq_u64_u32(x01LL), vreinterpretq_u64_u32(x01LL), 20);
    x01X = vmovl_u32(vmovn_u64(x01X));

    uint64x1_t X0 = vget_low_u64(x01X);
    uint64x1_t X1 = vget_high_u64(x01X);
    X0 = vsli_n_u64(X0, X1, 24);
    vst1_u32(dst, vreinterpret_u32_u64(X0));
}

Answer 1

好吧，不管它值多少钱，下面是一个据我所知优化过的 NEON 版本:

---

rev64   v16.16b, v16.16b
usra    v16.2d, v16.2d, #32-3       // 8 elements (8bit)
ushll   v17.8h, v16.8b, #6
uaddw2  v16.8h, v17.8h, v16.16b     // 4 elements (16bit)
uxtl    v16.4s, v16.4h
usra    v16.2d, v16.2d, #32-12      // 2 elements (32bit)
ushll2  v17.2d, v16.4s, #24
uaddw   v16.2d, v17.2d, v16.2s      // 1 element (64bit), d16 contains the result

---

它应该比你的快得多，但同样，它在顺序机器上没有多大意义。