Ссылаясь на ответ @auselen здесь: Использование встроенных функций ARM NEON для добавления альфы и permute, похоже, компилятор armcc намного лучше компилятора gcc для оптимизации NEON. Это правда? Я действительно не пробовал компилятор armcc. Но я получил довольно оптимизированный код, используя компилятор gcc с флагом оптимизации -O3. Но теперь мне интересно, действительно ли armcc так хорош? Итак, какой из двух компиляторов лучше, учитывая все факторы?
Какой из них лучше, gcc или armcc для оптимизации NEON?
Ответы (2)
Компиляторы — это тоже программное обеспечение, и со временем они улучшаются. Любое общее утверждение, например, что armcc лучше, чем GCC на NEON (или, лучше сказать, векторизация), не может оставаться верным вечно, поскольку одна группа разработчиков может сократить разрыв с достаточным вниманием. Однако изначально логично ожидать, что компиляторы, разработанные производителями аппаратного обеспечения, будут лучше, потому что им нужно продемонстрировать/продать эти функции.
Один недавний пример, который я видел, был здесь, в Stack Overflow, о ответе для предсказания переходов. Цитата из последней строки обновленного раздела «Это доказывает, что даже зрелые современные компиляторы могут сильно различаться по своей способности оптимизировать код…».
Я большой поклонник GCC, но я бы не стал делать ставку на качество создаваемого им кода против компиляторов от Intel или ARM. Я ожидаю, что любой основной коммерческий компилятор будет производить код, по крайней мере, не хуже GCC.
Одним из эмпирических ответов на этот вопрос может быть использование примера неоновой оптимизации hilbert-space и посмотреть, как разные компиляторы оптимизируют его.
void neon_convert (uint8_t * __restrict dest, uint8_t * __restrict src, int n)
{
int i;
uint8x8_t rfac = vdup_n_u8 (77);
uint8x8_t gfac = vdup_n_u8 (151);
uint8x8_t bfac = vdup_n_u8 (28);
n/=8;
for (i=0; i<n; i++)
{
uint16x8_t temp;
uint8x8x3_t rgb = vld3_u8 (src);
uint8x8_t result;
temp = vmull_u8 (rgb.val[0], rfac);
temp = vmlal_u8 (temp,rgb.val[1], gfac);
temp = vmlal_u8 (temp,rgb.val[2], bfac);
result = vshrn_n_u16 (temp, 8);
vst1_u8 (dest, result);
src += 8*3;
dest += 8;
}
}
Это армсс 5.01
20: f421140d vld3.8 {d1-d3}, [r1]!
24: e2822001 add r2, r2, #1
28: f3810c04 vmull.u8 q0, d1, d4
2c: f3820805 vmlal.u8 q0, d2, d5
30: f3830806 vmlal.u8 q0, d3, d6
34: f2880810 vshrn.i16 d0, q0, #8
38: f400070d vst1.8 {d0}, [r0]!
3c: e1520003 cmp r2, r3
40: bafffff6 blt 20 <neon_convert+0x20>
Это GCC 4.4.3-4.7.1
1e: f961 040d vld3.8 {d16-d18}, [r1]!
22: 3301 adds r3, #1
24: 4293 cmp r3, r2
26: ffc0 4ca3 vmull.u8 q10, d16, d19
2a: ffc1 48a6 vmlal.u8 q10, d17, d22
2e: ffc2 48a7 vmlal.u8 q10, d18, d23
32: efc8 4834 vshrn.i16 d20, q10, #8
36: f940 470d vst1.8 {d20}, [r0]!
3a: d1f0 bne.n 1e <neon_convert+0x1e>
Что выглядит очень похоже, так что у нас ничья. Увидев это, я попытался упомянуть добавить альфу и снова переставить.
void neonPermuteRGBtoBGRA(unsigned char* src, unsigned char* dst, int numPix)
{
numPix /= 8; //process 8 pixels at a time
uint8x8_t alpha = vdup_n_u8 (0xff);
for (int i=0; i<numPix; i++)
{
uint8x8x3_t rgb = vld3_u8 (src);
uint8x8x4_t bgra;
bgra.val[0] = rgb.val[2]; //these lines are slow
bgra.val[1] = rgb.val[1]; //these lines are slow
bgra.val[2] = rgb.val[0]; //these lines are slow
bgra.val[3] = alpha;
vst4_u8(dst, bgra);
src += 8*3;
dst += 8*4;
}
}
Компиляция с помощью gcc...
$ arm-linux-gnueabihf-gcc --version
arm-linux-gnueabihf-gcc (crosstool-NG linaro-1.13.1-2012.05-20120523 - Linaro GCC 2012.05) 4.7.1 20120514 (prerelease)
$ arm-linux-gnueabihf-gcc -std=c99 -O3 -c ~/temp/permute.c -marm -mfpu=neon-vfpv4 -mcpu=cortex-a9 -o ~/temp/permute_gcc.o
00000000 <neonPermuteRGBtoBGRA>:
0: e3520000 cmp r2, #0
4: e2823007 add r3, r2, #7
8: b1a02003 movlt r2, r3
c: e92d01f0 push {r4, r5, r6, r7, r8}
10: e1a021c2 asr r2, r2, #3
14: e24dd01c sub sp, sp, #28
18: e3520000 cmp r2, #0
1c: da000019 ble 88 <neonPermuteRGBtoBGRA+0x88>
20: e3a03000 mov r3, #0
24: f460040d vld3.8 {d16-d18}, [r0]!
28: eccd0b06 vstmia sp, {d16-d18}
2c: e59dc014 ldr ip, [sp, #20]
30: e2833001 add r3, r3, #1
34: e59d6010 ldr r6, [sp, #16]
38: e1530002 cmp r3, r2
3c: e59d8008 ldr r8, [sp, #8]
40: e1a0500c mov r5, ip
44: e59dc00c ldr ip, [sp, #12]
48: e1a04006 mov r4, r6
4c: f3c73e1f vmov.i8 d19, #255 ; 0xff
50: e1a06008 mov r6, r8
54: e59d8000 ldr r8, [sp]
58: e1a0700c mov r7, ip
5c: e59dc004 ldr ip, [sp, #4]
60: ec454b34 vmov d20, r4, r5
64: e1a04008 mov r4, r8
68: f26401b4 vorr d16, d20, d20
6c: e1a0500c mov r5, ip
70: ec476b35 vmov d21, r6, r7
74: f26511b5 vorr d17, d21, d21
78: ec454b34 vmov d20, r4, r5
7c: f26421b4 vorr d18, d20, d20
80: f441000d vst4.8 {d16-d19}, [r1]!
84: 1affffe6 bne 24 <neonPermuteRGBtoBGRA+0x24>
88: e28dd01c add sp, sp, #28
8c: e8bd01f0 pop {r4, r5, r6, r7, r8}
90: e12fff1e bx lr
Компиляция с помощью armcc...
$ armcc
ARM C/C++ Compiler, 5.01 [Build 113]
$ armcc --C99 --cpu=Cortex-A9 -O3 -c permute.c -o permute_arm.o
00000000 <neonPermuteRGBtoBGRA>:
0: e1a03fc2 asr r3, r2, #31
4: f3870e1f vmov.i8 d0, #255 ; 0xff
8: e0822ea3 add r2, r2, r3, lsr #29
c: e1a031c2 asr r3, r2, #3
10: e3a02000 mov r2, #0
14: ea000006 b 34 <neonPermuteRGBtoBGRA+0x34>
18: f420440d vld3.8 {d4-d6}, [r0]!
1c: e2822001 add r2, r2, #1
20: eeb01b45 vmov.f64 d1, d5
24: eeb02b46 vmov.f64 d2, d6
28: eeb05b40 vmov.f64 d5, d0
2c: eeb03b41 vmov.f64 d3, d1
30: f401200d vst4.8 {d2-d5}, [r1]!
34: e1520003 cmp r2, r3
38: bafffff6 blt 18 <neonPermuteRGBtoBGRA+0x18>
3c: e12fff1e bx lr
В этом случае armcc производит намного лучший код. Я думаю, что это оправдывает ответ fgp выше. Большую часть времени GCC будет создавать достаточно хороший код, но вы должны следить за критическими частями или, что наиболее важно, сначала вы должны измерить / профилировать.
Если вы используете встроенные функции NEON, компилятор не должен иметь большого значения. Большинство (если не все) встроенных функций NEON транслируются в одну инструкцию NEON, поэтому компилятору остается только распределение регистров и планирование инструкций. По моему опыту, и GCC 4.2, и Clang 3.1 достаточно хорошо справляются с этими задачами.
Обратите внимание, однако, что инструкции NEON немного более выразительны, чем внутренние элементы NEON. Например, инструкции загрузки/сохранения NEON имеют режимы адресации до и после приращения, которые объединяют загрузку или сохранение с приращением адресного регистра, тем самым экономя вам одну инструкцию. Встроенные функции NEON не предоставляют явного способа сделать это, но вместо этого полагаются на то, что компилятор объединит внутреннюю загрузку/сохранение регулятора NEON и приращение адреса в инструкцию загрузки/сохранения с постинкрементом. Точно так же некоторые инструкции загрузки/сохранения позволяют указать выравнивание адреса памяти и выполняться быстрее, если вы укажете более строгие гарантии выравнивания. Встроенные функции NEON, опять же, не позволяют вам указывать выравнивание явно, а вместо этого полагаются на то, что компилятор выведет правильный спецификатор выравнивания. Теоретически вы используете атрибуты «выравнивания» в своих указателях, чтобы предоставить компилятору подходящие подсказки, но, по крайней мере, Clang, похоже, игнорирует эти...
По моему опыту, ни Clang, ни GCC не очень хороши в таких видах оптимизации. К счастью, дополнительный выигрыш в производительности от таких оптимизаций обычно не так уж и велик — скорее 10 %, чем 100 %.
Еще одна область, в которой эти два компилятора не особенно умны, — предотвращение утечки стека. Если ваш код использует больше переменных с векторным значением, чем регистров NEON, мне кажется, что оба компилятора производят ужасный код. По сути, кажется, что они планируют инструкции, исходя из предположения, что имеется достаточное количество доступных регистров. Распределение регистров, кажется, происходит позже, и кажется, что значения просто перебрасываются в стек после запуска регистров. Поэтому убедитесь, что ваш код имеет рабочий набор из менее чем 16 128-битных векторов или 32 64-битных векторов в любое время!
В целом, я получил довольно хорошие результаты как от GCC, так и от Clang, но мне регулярно приходилось немного реорганизовывать код, чтобы избежать особенностей компилятора. Я бы посоветовал придерживаться GCC или Clang, но регулярно проверять дизассемблер по вашему выбору.
Итак, в целом, я бы сказал, что придерживаться GCC - это нормально. Тем не менее, вы можете взглянуть на разборку критически важных для производительности частей и проверить, выглядит ли это разумно.