NEON, SSE и перемежения нагрузки против тасует

Question

Я пытаюсь понять замечание, высказанное «Iwillnotexist Idonotexist» в SIMD optimization of cvtColor using ARM NEON intrinsics:

... почему вы не использовать ARM NEON intrisics, которые отображаются инструкция VLD3? Это избавляет вас от перетасовки, упрощая и ускоряя код. Реализация Intel SSE требует перетасовки, поскольку в ней отсутствуют инструкции по загрузке с обратным перемежением 2/3/4-way, но вы не должны передавать их, когда они доступны.

Проблема, с которой я столкнулась, заключается в том, что решение предлагает код, который не чередуется, и он выполняет сплавленные умножения на плавающие точки. Я пытаюсь разделить эти два и понять только чередующиеся нагрузки.

Согласно другому комментарию вопроса и Coding for NEON - Part 1: Load and Stores, ответ, вероятно, будет использовать VLD3.

К сожалению, я просто не вижу его (возможно, потому, что я менее знаком с NEON и его внутренними функциями). Кажется, что VLD3 в основном производит 3 выхода для каждого входа, поэтому моя металлическая модель запуталась.

Учитывая следующий instrinsics SSE, которые работают на данных в BGR BGR BGR BGR... формате, который нуждается в случайном порядке для BBBB GGGG RRRR ...:

const byte* data = ... // assume 16-byte aligned 
const __m128i mask = _mm_setr_epi8(0,3,6,9,12,15,1,4,7,10,13,2,5,8,11,14); 
__m128i a = _mm_shuffle_epi8(_mm_load_si128((__m128i*)(data)),mask); 

Как мы выполняем чередующиеся нагрузки, используя NEON так встроенные функции, что мы не нуждаемся в SSE перетасовки?

---

Также обратите внимание ... Меня интересуют внутренности, а не ASM. Я могу использовать встроенные средства ARM для устройств под управлением Windows Phone, Windows Store и Linux под MSVC, ICC, Clang и т. Д. Я не могу это сделать с ASM, и я не пытаюсь специализироваться на этом коде 3 раза (Microsoft 32- бит ASM, 64-разрядная ASM и Microsoft GCC ASM).

Answer 1

Согласно этой страницы:

VLD3 характеристическую вам нужно:

int8x8x3_t vld3_s8(__transfersize(24) int8_t const * ptr); 
// VLD3.8 {d0, d1, d2}, [r0] 

Если по адресу, на который указывает ptr у вас есть эти данные:

0x00: 33221100 
0x04: 77665544 
0x08: bbaa9988 
0x0c: ffddccbb 
0x10:
0x14: fedcba98 

Вы, наконец, получить в регистры:

d0: ba54ffbb99663300 
d1: dc7610ccaa774411 
d2: fe9832ddbb885522 

int8x8x3_t структура определяется как:

struct int8x8x3_t 
{ 
    int8x8_t val[3]; 
};