如何使用neon Intrinsic优化直方图统计？

Question

我想优化直方图统计代码与霓虹灯内部。但是我没有成功。这里是c代码：

#define NUM (7*1024*1024)
uint8 src_data[NUM];
uint32 histogram_result[256] = {0};
for (int i = 0; i < NUM; i++)
{
    histogram_result[src_data[i]]++;
}

直方图统计更像是串行处理。使用neon intrinsics很难进行优化。有人知道如何优化吗？提前谢谢。

Answer 1

您不能直接对存储进行矢量化，但可以通过管道对其进行矢量化，并且可以在32位平台上对地址计算进行矢量化（在64位平台上的矢量化程度较低）。

你要做的第一件事，实际上并不需要NEON受益，就是展开直方图数组，这样你就可以一次拥有更多的数据：

#define NUM (7*1024*1024)
uint8 src_data[NUM];
uint32 histogram_result[256][4] = {{0}};
for (int i = 0; i < NUM; i += 4)
{
    uint32_t *p0 = &histogram_result[src_data[i + 0]][0];
    uint32_t *p1 = &histogram_result[src_data[i + 1]][1];
    uint32_t *p2 = &histogram_result[src_data[i + 2]][2];
    uint32_t *p3 = &histogram_result[src_data[i + 3]][3];
    uint32_t c0 = *p0;
    uint32_t c1 = *p1;
    uint32_t c2 = *p2;
    uint32_t c3 = *p3;
    *p0 = c0 + 1;
    *p1 = c1 + 1;
    *p2 = c2 + 1;
    *p3 = c3 + 1;
}

for (int i = 0; i < 256; i++)
{
    packed_result[i] = histogram_result[i][0]
                     + histogram_result[i][1]
                     + histogram_result[i][2]
                     + histogram_result[i][3];
}

请注意，p0到p3永远不能指向同一地址，因此对它们的读写重新排序就可以了。

由此，您可以使用intrinsic将p0的计算矢量化为p3，并可以矢量化最终循环。

首先测试它（因为我没有！）。然后，您可以尝试将数组构造为result[4][256]，而不是result[256][4]，或者使用更小或更大的展开因子。

将某些霓虹灯内在特性应用于此：

uint32 histogram_result[256 * 4] = {0};
static const uint16_t offsets[] = { 0x000, 0x001, 0x002, 0x003,
                                    0x000, 0x001, 0x002, 0x003 };
uint16x8_t voffs = vld1q_u16(offsets);
for (int i = 0; i < NUM; i += 8) {
    uint8x8_t p = vld1_u8(&src_data[i]);
    uint16x8_t p16 = vshll_n_u8(p, 16);
    p16 = vaddq_u16(p16, voffs);
    uint32_t c0 = histogram_result[vget_lane_u16(p16, 0)];
    uint32_t c1 = histogram_result[vget_lane_u16(p16, 1)];
    uint32_t c2 = histogram_result[vget_lane_u16(p16, 2)];
    uint32_t c3 = histogram_result[vget_lane_u16(p16, 3)];
    histogram_result[vget_lane_u16(p16, 0)] = c0 + 1;
    c0 = histogram_result[vget_lane_u16(p16, 4)];
    histogram_result[vget_lane_u16(p16, 1)] = c1 + 1;
    c1 = histogram_result[vget_lane_u16(p16, 5)];
    histogram_result[vget_lane_u16(p16, 2)] = c2 + 1;
    c2 = histogram_result[vget_lane_u16(p16, 6)];
    histogram_result[vget_lane_u16(p16, 3)] = c3 + 1;
    c3 = histogram_result[vget_lane_u16(p16, 7)];
    histogram_result[vget_lane_u16(p16, 4)] = c0 + 1;
    histogram_result[vget_lane_u16(p16, 5)] = c1 + 1;
    histogram_result[vget_lane_u16(p16, 6)] = c2 + 1;
    histogram_result[vget_lane_u16(p16, 7)] = c3 + 1;
}

如果直方图数组展开为x8而不是x4，您可能希望使用八个标量累加器而不是四个，但您必须记住，这意味着八个计数寄存器和八个地址寄存器，这比32位ARM的寄存器多（因为您不能使用SP和PC）。

不幸的是，由于地址计算掌握在NEON Intrinsic手中，我认为编译器无法安全地推理它如何能够对读写进行重新排序，因此您必须显式地对它们进行重新排序，并希望以最好的方式进行。