有一个名为“Enable”的bool变量,当“Enable”为false时,我想创建以下函数:
void test_false()
{
float dst[4] = {1.0, 1.0, 1.0, 1.0};
float src[4] = {1.0, 2.0, 3.0, 4.0};
float * dst_addr = dst;
float * src_addr = src;
asm volatile (
"vld1.32 {q0}, [%[src]] \n"
"vld1.32 {q1}, [%[dst]] \n"
"vadd.f32 q0, q0, q1 \n"
"vadd.f32 q0, q0, q1 \n"
"vst1.32 {q0}, [%[dst]] \n"
:[src]"+r"(src_addr),
[dst]"+r"(dst_addr)
:
: "q0", "q1", "q2", "q3", "memory"
);
for (int i = 0; i < 4; i++)
{
printf("%f, ", dst[i]);//0.0 0.0 0.0 0.0
}
}
当“启用”为真时,我想创建以下功能:
void test_true()
{
float dst[4] = {1.0, 1.0, 1.0, 1.0};
float src[4] = {1.0, 2.0, 3.0, 4.0};
float * dst_addr = dst;
float * src_addr = src;
asm volatile (
"vld1.32 {q0}, [%[src]] \n"
"vld1.32 {q1}, [%[dst]] \n"
"vadd.f32 q0, q0, q1 \n"
"vadd.f32 q0, q0, q1 \n"
"vadd.f32 q0, q0, q1 \n" //Only here is different from test_false()
"vst1.32 {q0}, [%[dst]] \n"
:[src]"+r"(src_addr),
[dst]"+r"(dst_addr)
:
: "q0", "q1", "q2", "q3", "memory"
);
for (int i = 0; i < 4; i++)
{
printf("%f, ", dst[i]);//0.0 0.0 0.0 0.0
}
}
但我不想保存两份代码,因为大多数代码都是一样的。我想使用“c ++ Template + Conditional Compile”来解决我的问题。代码如下。但它没有用。无论Enable为true还是false,编译器都会创建与test_true()相同的代码。
template<bool Enable>
void test_tmp()
{
float dst[4] = {1.0, 1.0, 1.0, 1.0};
float src[4] = {1.0, 2.0, 3.0, 4.0};
float * dst_addr = dst;
float * src_addr = src;
if (Enable)
{
#define FUSE_
}
asm volatile (
"vld1.32 {q0}, [%[src]] \n"
"vld1.32 {q1}, [%[dst]] \n"
"vadd.f32 q0, q0, q1 \n"
"vadd.f32 q0, q0, q1 \n"
#ifdef FUSE_
"vadd.f32 q0, q0, q1 \n"
#endif
"vst1.32 {q0}, [%[dst]] \n"
:[src]"+r"(src_addr),
[dst]"+r"(dst_addr)
:
: "q0", "q1", "q2", "q3", "memory"
);
for (int i = 0; i < 4; i++)
{
printf("%f, ", dst[i]);//0.0 0.0 0.0 0.0
}
#undef FUSE_
}
template void test_tmp<true>();
template void test_tmp<false>();
似乎不可能像函数test_tmp()那样编写代码。有谁知道如何解决我的问题?非常感谢。
如果对前半部分的所有实时寄存器使用C临时值并输出操作数,这些寄存器与下半部分的输入约束对齐,则应该能够将其拆分为内联asm而不会造成任何性能损失,尤其是在使用特定内存输入的情况下/输出约束而不是一个全能的"memory"
clobber。但它会变得更复杂。
这显然不起作用,因为C预处理器在C ++编译器甚至查看if()
语句之前运行。
if (Enable) {
#define FUSE_ // always defined, regardless of Enable
}
但GNU汇编器有自己的宏/条件汇编指令,如.if
,它在编译器发出的asm上运行,然后将文本替换为asm()
模板,包括立即输入操作数的实际数值。
bool
作为an assembler .if
directive的输入操作数使用"i" (Enable)
输入约束。通常%0
或%[enable]
的扩展将是#0
或#1
,因为这是如何立即打印ARM。但GCC有一个%c0
/ %c[enable]
修饰符,它将打印一个没有标点符号的常量。 (这是documented for x86,但对于ARM和大概所有其他架构的工作方式相同。正在开发ARM / AArch64操作数修饰符的文档;我一直在关于那个......的电子邮件。)
".if %c[enable] \n\t"
的[enable] "i" (c_var)
将替换为.if 0
或.if 1
到inline-asm模板,正是我们需要使.if
/ .endif
在汇编时工作。
完整示例:
template<bool Enable>
void test_tmp(float dst[4])
{
//float dst[4] = {1.0, 1.0, 1.0, 1.0};
// static const // non-static-const so we can see the memory clobber vs. dummy src stop this from optimizing away init of src[] on the stack
float src[4] = {1.0, 2.0, 3.0, 4.0};
float * dst_addr = dst;
const float * src_addr = src;
asm (
"vld1.32 {q1}, [%[dst]] @ dummy dst = %[dummy_memdst]\n" // hopefully they pick the same regs?
"vld1.32 {q0}, [%[src]] @ dummy src = %[dummy_memsrc]\n"
"vadd.f32 q0, q0, q1 \n" // TODO: optimize to q1+q1 first, without a dep on src
"vadd.f32 q0, q0, q1 \n" // allowing q0+=q1 and q1+=q1 in parallel if we need q0 += 3*q1
// #ifdef FUSE_
".if %c[enable]\n" // %c modifier: print constant without punctuation, same as documented for x86
"vadd.f32 q0, q0, q1 \n"
".endif \n"
// #endif
"vst1.32 {q0}, [%[dst]] \n"
: [dummy_memdst] "+m" (*(float(*)[4])dst_addr)
: [src]"r"(src_addr),
[dst]"r"(dst_addr),
[enable]"i"(Enable)
, [dummy_memsrc] "m" (*(const float(*)[4])src_addr)
: "q0", "q1", "q2", "q3" //, "memory"
);
/*
for (int i = 0; i < 4; i++)
{
printf("%f, ", dst[i]);//0.0 0.0 0.0 0.0
}
*/
}
float dst[4] = {1.0, 1.0, 1.0, 1.0};
template void test_tmp<true>(float *);
template void test_tmp<false>(float *);
compiles with GCC and Clang on the Godbolt compiler explorer
使用gcc,您只能获得编译器的.s
输出,因此您必须关闭一些常用的编译器 - 资源管理器过滤器并查看指令。所有3个vadd.f32
指令都在false
版本中,但其中一个被.if 0
/ .endif
包围。
但clang的内置汇编程序在内部处理汇编程序指令,然后在请求输出时将其转换回asm。 (通常clang / LLVM直接进入机器代码,不像gcc总是运行一个单独的汇编程序)。
为了清楚起见,这适用于gcc和clang,但是它更容易在带有铿锵声的Godbolt上看到它。 (因为Godbolt没有“二进制”模式,实际上组装然后拆解,除了x86)。 clang输出为false
版本
...
vld1.32 {d2, d3}, [r0] @ dummy dst = [r0]
vld1.32 {d0, d1}, [r1] @ dummy src = [r1]
vadd.f32 q0, q0, q1
vadd.f32 q0, q0, q1
vst1.32 {d0, d1}, [r0]
...
请注意,clang为原始指针选择了与用于内存操作数的GP寄存器相同的GP寄存器。 (gcc似乎选择[sp]
用于src_mem,但是在寻址模式下手动使用的指针输入有不同的reg)。如果你没有强制它在寄存器中有指针,它可能使用SP相对寻址模式和向量加载的偏移量,可能利用ARM寻址模式。
如果你真的不想修改asm中的指针(例如使用后增量寻址模式),那么"r"
仅输入操作数最有意义。如果我们离开了printf
循环,编译器将在asm之后再次需要dst
,因此它仍然可以从寄存器中获益。 "+r"(dst_addr)
输入强制编译器假定该寄存器不再可用作dst
的副本。无论如何,gcc总是复制寄存器,即使它以后不需要它,无论我是使它成为"r"
还是"+r"
,所以这很奇怪。
使用(虚拟)存储器输入/输出意味着我们可以删除volatile
,因此编译器可以正常优化它作为其输入的纯函数。 (如果结果未使用,请将其优化掉。)
希望这不是更糟糕的代码 - 与"memory"
clobber。但是如果你只使用"=m"
和"m"
内存操作数可能会更好,并且根本没有在寄存器中请求指针。 (但是,如果您要使用内联asm循环遍历数组,那将无济于事。)
我已经好几年没做ARM组装了,我从来没有真正费心去学习GCC内联汇编,但我认为你的代码可以像这样重写,使用内在函数:
#include <cstdio>
#include <arm_neon.h>
template<bool Enable>
void test_tmp()
{
const float32x4_t src = {1.0, 2.0, 3.0, 4.0};
const float32x4_t src2 = {1.0, 1.0, 1.0, 1.0};
float32x4_t z;
z = vaddq_f32(src, src2);
z = vaddq_f32(z, src2);
if (Enable) z = vaddq_f32(z, src2);
float result[4];
vst1q_f32(result, z);
for (int i = 0; i < 4; i++)
{
printf("%f, ", result[i]);//0.0 0.0 0.0 0.0
}
}
template void test_tmp<true>();
template void test_tmp<false>();
你可以看到生成的机器代码+玩具:https://godbolt.org/z/Fg7Tci
使用ARM gcc8.2和命令行选项编译“-O3 -mfloat-abi = softfp -mfpu = neon”,“true”变体是:
void test_tmp<true>():
vmov.f32 q9, #1.0e+0 @ v4sf
vldr d16, .L6
vldr d17, .L6+8
# and the FALSE variant has one less vadd.f32 in this part
vadd.f32 q8, q8, q9
vadd.f32 q8, q8, q9
vadd.f32 q8, q8, q9
push {r4, r5, r6, lr}
sub sp, sp, #16
vst1.32 {d16-d17}, [sp:64]
mov r4, sp
ldr r5, .L6+16
add r6, sp, #16
.L2:
vldmia.32 r4!, {s15}
vcvt.f64.f32 d16, s15
mov r0, r5
vmov r2, r3, d16
bl printf
cmp r4, r6
bne .L2
add sp, sp, #16
pop {r4, r5, r6, pc}
.L6:
.word 1065353216
.word 1073741824
.word 1077936128
.word 1082130432
.word .LC0
.LC0:
.ascii "%f, \000"
这仍然让我深感困惑的是,为什么gcc不会简单地计算最终字符串,其值为输出字符串,因为输入是常量。也许是关于精度的一些数学规则阻止它在编译时这样做,因为结果可能与实际的目标HW平台FPU略有不同?即使用一些快速数学开关,它可能会完全丢弃该代码,只生成一个输出字符串......
但是我猜你的代码实际上并不适合你所做的“MCVE”,并且测试值会被输入到你正在测试的某个实际函数中,或类似的东西。
无论如何,如果你正在进行性能优化,你可能宁愿完全避免内联汇编而是使用内在函数,因为这样可以让编译器更好地分配寄存器并优化计算周围的代码(我没有准确地跟踪它,但我认为在godbolt中这个实验的最后一个版本比使用内联汇编的原始版本更简单/更简单2-4个指令。
另外,您将避免像示例代码那样不正确的asm约束,如果您经常修改内联代码,那么要正确获取并且要保持纯PITA总是很棘手。