ARMアセンブリ言語の実装色々とNEON命令のサンプル
Raspberry Pi 2 (Raspbian stretch) + gccで動作確認
ARMアセンブリ言語
どうでもいいことですが
- アセンブリ (Assembly): 部品
- 中間成果物などのコンポーネント的な意味合いが強いので、言語を示すときにはあまり使わないらしい
- アセンブリ言語 (Assembly language): プログラミング言語
- アセンブリコード (Assembly code): アセンブリ言語で書かれたコード
- アセンブラ (Assembler): アセンブリ言語をマシン語に変換するプログラム
- アセンブル (Assemble): 動詞
例: アセンブリコード(*.s)をアセンブラ(as)でアセンブルする。
独立したアセンブリコードファイルを使う
sub.s
.file "sub.s"
.text
.global func1
.type func1, %function
func1:
mov r1, #99
str r1, [r0] @ r0 is the first arg
mov r0, #88
bx lr
.end
call.c
#include <stdio.h>
int main()
{
int a;
int ret;
extern int func1(int *a);
ret = func1(&a);
printf("ret = %d, a = %d\n", ret, a);
}
ビルドコマンドと実行結果
as -o sub.o sub.s
gcc call.c sub.o
./a.out
ret = 88, a = 99
注意
- このサンプルでは考慮していないが、レジスタの退避などを自分で実装する必要がある
- 引数や戻り値もAAPCSに沿った実装が必要
Cコード内でインラインアセンブラを使う
ダブルクオーテーションで囲ったり、エラーが見ずらいのが難点だけど、実際にはこの方法の方が便利だと思う。
inline.c
#include <stdio.h>
int func1(int *a)
{
int ret = 0;
__asm__ __volatile__ (
"mov r1, #99;"
"str r1, [%1];"
"mov %0, #88;"
: "=r"(ret) // Output operands
: "r"(a) // Input operands
: // Overwritten registers
);
return ret;
}
int add(int a, int b)
{
int ret = 0;
__asm__ __volatile__ (
"add %0, %1, %2;"
: "=r"(ret) // Output operands
: "r"(a), "r"(b) // Input operands
: // Overwritten registers
);
return ret;
}
int add_label(int a, int b)
{
int ret = 0;
__asm__ __volatile__ (
"add %[Rret], %[Ra], %[Rb];"
: [Rret]"=r"(ret) // Output operands
: [Ra]"r"(a), [Rb]"r"(b) // Input operands
: // Overwritten registers
);
return ret;
}
void copy(int *src, int *dst)
{
__asm__ __volatile__ (
"ldr r2, [%0];" // r2 <- *src
"str r2, [%1];" // r2 -> *dst
: // Output operands
: "r"(src), "r"(dst) // Input operands
: "r2", "memory" // Overwritten registers
);
return;
}
int main()
{
int a, b, ret;
ret = func1(&a);
printf("ret = %d, a = %d\n", ret, a);
ret = add(1, 2);
printf("ret = %d\n", ret);
ret = add_label(1, 2);
printf("ret = %d\n", ret);
a = 10; b = 0;
copy(&a, &b);
printf("a = %d b = %d\n", a, b);
}
ビルドコマンドと実行結果
gcc inline.c
./a.out
ret = 88, a = 99
ret = 3
ret = 3
a = 10 b = 10
NEON命令を試す
NEON = Advanced SIMD。
NEONユニットは32本の64-bit SIMDレジスタ(D0-D31)を持つ。16本x128-bitとしても使える(Qレジスタ)。
なので、32-bitアーキのCPUからデータコピーするときは注意。
ビルド時に-mfpu=neonオプションを忘れない。
自分でNEON命令を書く
8-bit x 8個のデータの飽和加算例。
for (int i = 0; i < 8; i++) c[i] = a[i] + b[i]相当
simd.c
#include <stdio.h>
#include <stdint.h>
#include <string.h>
void add()
{
uint8_t a[8]; // d0
uint8_t b[8]; // d1
uint8_t c[8]; // result
memset(a, 0x12, sizeof(a));
a[2] = 0xEE; // 飽和確認用
memset(b, 0x34, sizeof(b));
memset(c, 0x00, sizeof(c));
__asm__ __volatile__ (
"vld1.8 {d0}, [%0];" // d0 <- a
"vld1.8 {d1}, [%1];" // d1 <- b
"vqadd.u8 d2, d1, d0;" // d2 <- d1 + d0 (per 8bit) with saturation
"vst1.8 {d2}, [%2];" // d2 -> c
: // Output operands
: "r"(a), "r"(b), "r"(c) // Input operands
: // Overwritten registers
);
for (int i = 0; i < 8; i++)
printf("%02X + %02X = %02X\n", a[i], b[i], c[i]);
return;
}
int main()
{
add();
}
ビルドコマンドと実行結果
gcc simd.c -mfpu=neon
./a.out
12 + 34 = 46
12 + 34 = 46
EE + 34 = FF
12 + 34 = 46
12 + 34 = 46
12 + 34 = 46
12 + 34 = 46
12 + 34 = 46
NEONの組み込み関数を使う
ARM NEON Intrinsics (https://gcc.gnu.org/onlinedocs/gcc-4.3.2/gcc/ARM-NEON-Intrinsics.html)
simd.c
#include <stdio.h>
#include <stdint.h>
#include <string.h>
#include <arm_neon.h>
void add_emb()
{
uint8_t a[8]; // d0
uint8_t b[8]; // d1
uint8_t c[8]; // result
memset(a, 0x12, sizeof(a));
a[2] = 0xEE; // 飽和確認用
memset(b, 0x34, sizeof(b));
memset(c, 0x00, sizeof(c));
uint8x8_t va, vb, vc; // 8-bit(uint8_t) x 8レーン
va = vld1_u8(a);
vb = vld1_u8(b);
vc = vqadd_u8(va, vb);
vst1_u8(c, vc);
for (int i = 0; i < 8; i++)
printf("%02X + %02X = %02X\n", a[i], b[i], c[i]);
return;
}
int main()
{
add_emb();
}
ビルドコマンドと実行結果
gcc simd.c -mfpu=neon
./a.out
12 + 34 = 46
12 + 34 = 46
EE + 34 = FF
12 + 34 = 46
12 + 34 = 46
12 + 34 = 46
12 + 34 = 46
12 + 34 = 46
コンパイラに任せる
適切なコンパイラオプションを付ければ、できる範囲で自動ベクトル化してNEON命令を使ってくれる。
うまくベクトル化されるようにコードを書くテクニックが必要そう。
simd_auto.c
#include <stdio.h>
#include <stdint.h>
#include <string.h>
#define NUM 128
void add(uint8_t * a, uint8_t * b, uint8_t * c)
{
for(int i = 0; i < NUM; i++) {
c[i] = a[i] + b[i];
}
}
int main()
{
uint8_t a[NUM], b[NUM], c[NUM];
memset(a, 0x12, sizeof(a));
memset(b, 0x34, sizeof(a));
add(a, b, c);
printf("%08X\n", *(uint32_t*)&c[0]);
}
ビルドコマンド確認用
gcc -mfpu=neon -O3 -S simd_auto.c
more simd_auto.s
最適化オプション(-O3)がないとNEON命令が使われなかった。-O2でもダメ。
その他
- gccビルド時に
-march=nativeオプションがあった方がいいかも -
vld1.8やvld1_u8()の1って何?- Interleave pattern。数字には1,2,3,4が設定できる。指定間隔で飛び飛びでload/storeができるの。例えば3を設定したら、RGBR GBRG BRGBという並びを、RRRR GGGG BBBBにして計算しやすくできる。
- https://community.arm.com/processors/b/blog/posts/coding-for-neon---part-1-load-and-stores
参考
https://www.aps-web.jp/academy/ca/14/
(↑図が分かりやすい。けど、こちらの記事はGCCじゃなくてARM製コンパイラを前提にしているっぽいので、コマンドは微妙に異なるので注意)