はじめに

この記事はひとりNEONアドベントカレンダー2020 10日目の記事です
昨日はload命令を紹介した。
今日はloadと対をなすstore命令を紹介する

$ grep ^vst[1234] /usr/lib/gcc/aarch64-linux-gnu/7.5.0/include/arm_neon.h  | cut -f 1 -d ' ' | sed -e 's/_[spfu][0-9]\+//g' | sort | uniq -c
     14 vst1
     14 vst1_lane
     14 vst1q
     14 vst1q_lane
     14 vst2
      1 vst2_lane_
     14 vst2q
      1 vst2q_lane_
     14 vst3
      1 vst3_lane_
     14 vst3q
      1 vst3q_lane_
     14 vst4
      1 vst4_lane_
     14 vst4q
      1 vst4q_lane_

`vst1` (`vstn`)

load命令と対をなす。
vst1命令だとただメモリに保存する通常のstore命令
store命令はloadと同じくvst2、vst3、vst4まで存在する
loadではgatherを実現していたが、store命令ではscatterを実現する

st3q.cpp

        uint8_t data[] = {0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,100,101,102,103,104,105,106,107,108,109,110,111,112,113,114,115,};
        uint8_t dst[48] = { 255 };
        uint8x16x3_t vsrc;
        vsrc.val[0] = vld1q_u8(data     );
        vsrc.val[1] = vld1q_u8(data + 16);
        vsrc.val[2] = vld1q_u8(data + 32);
        vst3q_u8(dst , vsrc);

演算結果

0       10      100     1       11      101     2       12      102     3       13      103     4       14      104     5
15      105     6       16      106     7       17      107     8       18      108     9       19      109     10      20
110     11      21      111     12      22      112     13      23      113     14      24      114     15      25      115

見事に、vld3q命令の逆が行われ、0と10と100から始まる数列がそれぞれ順番に並べられている様子が分かる
vld3q命令でロードしたベクトルに対して演算を行い、最後にvst3q命令で書き込めば、RGB画像において、各色独立の演算を施した上で同じフォーマットでメモリ上に書き戻せる
vld3qも神とたたえたが、このvst3q命令も神の如き尊さである。

`vst1_lane`、`vst1q_lane` (`vstn_lane`)

このlaneがついた命令は、実際どう振る舞うのか
動かして試してみよう

vst2q.cpp

        float data[] = { 1.0,  2.0,  3.0,  4.0, 10.0, 20.0, 30.0, 40.0};
        float res [] = { -1.0f, -1.0f, -1.0f, -1.0f, -1.0f, -1.0f, -1.0f, -1.0f};
        float32x4x2_t a;
        a.val[0] = vld1q_f32(data    );
        a.val[1] = vld1q_f32(data + 4);
        vst2q_lane_f32(res, a, 2);

使い方はvld2q_lane命令同じで、vst2q_lane命令にはfloat32x4x2_t型のように、ベクトルを束ねた型を使う
- 第3引数は0オリジンでレーン番号を指定する。
- 当然範囲外を叩くとコンパイルエラーだし、数値はコンパイル時定数の必要がある。
演算結果

3       30      -1      -1      -1      -1      -1      -1

意外というかなんというか。
lane番号で指定した部分だけが書き出される。
なので、確保した配列res[8]のうち、後ろの6要素は触れられないままである

アライメントについて

SSEと違い、アライン(先頭アドレスが8 byteの倍数になっているか)を心配しなくてもHW側でよしなにやってくれる。¹
ただし、Githubのissueにコメントしたが、32bit OS上でunalignedなアドレスから、u64、s64のロードをすると、実行時エラーSIGBUSが起きる。
解せないのは、同アドレスからvld1q_f32など、別の命令で適当にロードしても実行時エラーは起きず、ロードにvreinterpretq_xxで型を変えることが可能である
つまり「同じアドレス」から全く問題なくロードができる。
解せないけれど、HWの仕様っぽいので割り切るしか無い。

チップの命令セット	OSの32bit/64bit	ベクトルレジスタの型	8byte alignment	結果
Armv8	64bit	`int32x4_t`	Y	Success
Armv8	64bit	`int32x4_t`	N	Success
Armv8	64bit	`int64x2_t`	Y	Success
Armv8	64bit	`int64x2_t`	N	Success
Armv8	32bit	`int32x4_t`	Y	Success
Armv8	32bit	`int32x4_t`	N	Success
Armv8	32bit	`int64x2_t`	Y	Success
Armv8	32bit	`int64x2_t`	N	Error (`SIGBUS`)
Armv7	32bit	`int32x4_t`	Y	Success
Armv7	32bit	`int32x4_t`	N	Success
Armv7	32bit	`int64x2_t`	Y	Success
Armv7	32bit	`int64x2_t`	N	Error (`SIGBUS`)

アセンブラレベルで見てみると、Arm v8 では当然違いは無い
Arm v7 のアセンブラを見てみると、
int64x2_tの場合(含むuint64x2_t、int64x1_t、uint64x1_t)

vld1.64 {d16-d17}, [r3:64]

それ以外の型の場合

vld1.32 {d16-d17}, [r3]

{d16-d17}は2本の64bitレジスタを指定している。
命令のオペランドの[r3]は一般レジスタのr3に入ってるアドレスからロードする、という意味
違いは
- vld1.64かvld1.32という末尾についてる要素の型
- [r3]というアドレス指定が[r3:64]となっている
- 多分、この:64が末尾についてることで8byte境界を期待しているのだと推測する
何にしろそれ以外のロードに関してはアライメントの心配は要らない。

おわりに

store命令のvstとその派生形を紹介しました
明日も手島の執筆の予定で、積和命令を紹介予定

SSEでは16byte境界だが、NEONでは、前述の通りごく一部の命令に限って8byte境界の必要性がある ↩