7
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 3 years have passed since last update.

load命令 -gatherを添えて-

Last updated at Posted at 2020-12-08

はじめに

EI0XC_nUcAE6JHU.jpg

  • 過去幾度12も称賛してきたld3q命令

load.png

$ grep ^vld[1234] /usr/lib/gcc/aarch64-linux-gnu/7.5.0/include/arm_neon.h | cut -f 1 -d ' ' | sed -e 's/[supf][0-9]\+//g' |  sort | uniq -c 
     14 vld1_
     14 vld1_dup_
     14 vld1_lane_
     14 vld1q_
     14 vld1q_dup_
     14 vld1q_lane_
     14 vld2_
     14 vld2_dup_
      1 vld2_lane_##funcsuffix
     14 vld2q_
     14 vld2q_dup_
      1 vld2q_lane_##funcsuffix
     14 vld3_
     14 vld3_dup_
      1 vld3_lane_##funcsuffix
     14 vld3q_
     14 vld3q_dup_
      1 vld3q_lane_##funcsuffix
     14 vld4_
     14 vld4_dup_
      1 vld4_lane_##funcsuffix
     14 vld4q_
     14 vld4q_dup_
      1 vld4q_lane_##funcsuffix

load命令全般の解説

  • suffixが全種類ある
  • メモリからレジスタに値をロードする

vld1vld1q(vldnvldnq)

  • vld1vld1qが基本形。64bitレジスタと128bitレジスタそれぞれに対応する
  • vld2vld3と数字が増えると、Gatherロードが可能になる
  • 以下の図は vld3q_u8を図示したグラフ。
    • RGBでインターリーブされたメモリ上のデータを、でインタリーブしながらレジスタにロードできる。
    • 画像に携わる人間としては神のような命令。

EI0XC_nUcAE6JHU.jpg

  • 以下の図は vld4q_u8を図示したグラフ。図上部がメモリで図下部がレジスタ
    • SSEでもunpack命令を使うことで似たことはできるが、NEONは1命令でできるのでスキ。 EI0XC_QUwAAyr3_.jpg

https___qiita-image-store.s3.amazonaws.com_0_12162_eedb874a-582c-3650-6598-c2f9343d1cf0.png

  • サンプルコード
ld3q.cpp
        uint8_t data[] = {  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,};
        uint8_t dst[48] = { 255 };
        uint8x16x3_t vsrc = vld3q_u8(data);
        vst1q_u8(dst     , vsrc.val[0]);
        vst1q_u8(dst + 16, vsrc.val[1]);
        vst1q_u8(dst + 32, vsrc.val[2]);
  • 演算結果
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
  • RGBを模して、3種類の数列を混ぜたデータをdataとして用意
  • vld3q_u8でロードすると、コード上はuint8x16x3_t型を返す。
    • 特段ヘンテコな型でなく、単純に128bit幅のレジスタを3個束ねた型
    • コード上は長さ3のuint8x16_tの配列を持つ構造体
    • GCCが連続した3つのレジスタを確保してくれる(のだと思う)
    • ld3命令は連続した3つのレジスタにメモリからデータを書き込む
arm_neon.h
typedef struct uint8x16x3_t
{
  uint8x16_t val[3];
} uint8x16x3_t;

vld1q_dup

  • 指定したアドレスから1要素だけロードし、全要素に代入する。
  • 画像にかける係数の値をメモリからロードして全画素に適用するときとかに重宝する

vld2q_dup

  • gatherロードした上で、各ベクトルの全要素に代入する
  • vld2qでは先頭の2要素、vld3qでは先頭の3要素、vld4qでは先頭の4要素をそれぞれロードする
        float data[] = {  1.0f,  2.0f,  3.0f,  4.0f, 10.0f, 20.0f, 30.0f, 40.0f};
        float res [] = { -1.0f, -1.0f, -1.0f, -1.0f, -1.0f, -1.0f, -1.0f, -1.0f};
        float32x4x2_t a;
        a.val[0] = vdupq_n_f32 (0.0f);
        a.val[1] = vdupq_n_f32 (100.0f); // 0.0f, 0.0f, 0.0f, 0.0f, 100.f, 100.f, 100.f, 100.f
        a = vld2q_dup_f32(data);         // 1.0f, 1.0f, 1.0f, 1.0f,  2.0f,  2.0f,  2.0f,  2.0f
0:1
1:1
2:1
3:1
4:2
5:2
6:2
7:2

vld1q_lane

        float data[] = { 1.0,  2.0,  3.0,  4.0};
        float res [] = { -1.0f, -1.0f, -1.0f, -1.0f};
        float32x4_t a = vdupq_n_f32 (0.0f); // 0.0f, 0.0f, 0.0f, 0.0f 
        a = vld1q_lane_f32(data, a, 2);     // 0.0f, 0.0f, 1.0f, 0.0f
        vst1q_f32(res, a);
0:0
1:0
2:1
3:0
  • 指定されたメモリアドレスから1要素だけロードし、指定したレーンに上書きする命令。
  • 第3引数がレーンを指定し、0 originで指定する。
  • 第3引数は即値しか取れず、コンパイル時に固定されてる必要がある。
int i = 2;
a = vld1q_lane_f32(data, a, i); // error: argument 3 must be a constant immediate
        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] = vdupq_n_f32 (0.0f);   // 0.0f, 0.0f, 0.0f, 0.0f, 
        a.val[1] = vdupq_n_f32 (100.0f); // 0.0f, 0.0f, 0.0f, 0.0f, 100.f, 100.f, 100.f, 100.f
        a = vld2q_lane_f32(data, a, 2);  // 0.0f, 0.0f, 1.0f, 0.0f, 100.f, 100.f,   2.f, 100.f
        vst1q_f32(res,     a.val[0]);
        vst1q_f32(res + 4, a.val[1]);
0:0
1:0
2:1
3:0
4:100
5:100
6:2
7:100
  • vld1q_lane では先頭の要素だけロードしたが、vld2q_laneでは2番目の要素まで使う。vld3q_lane,vld4q_laneまで同様に使用する要素数が増える
  • 参考までに、以下がvld4q命令を示した図 EI0XC_QUwAAyr3_.jpg

おわりに

  • 今日はload命令とgather命令としての側面を紹介しました
  • 明日も手島執筆の予定で、loadの反対のstore命令を紹介します。
7
0
1

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
7
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?