从两个 128 位块中收集四个 32 位字

Question

我正在使用 C 内在函数开发从 SSE 到 NEON 的端口。我有两个由 32 位字组成的 128 位块：

[A1  A2  A3  A4] [B1  B2  B3  B4]

我需要像这样将它们收集成两个 uint32x4_t：

[A1  B1  A2  B2] [A3  B3  A4  B4]

128 位块及其相关步幅给我带来了麻烦。我查看了 ARM 的 NEON Part 1: Load and Stores，但我没有看到跨越两个 16 字节块的内容。

如何从两个 128 位块中收集数据？

Answer 1

VZIP.32 正是您要找的

from MSB to LSB:
q0: A4 | A3 | A2 | A1
q1: B4 | B3 | B2 | B1

vzip.32 q0, q1

q0: B2 | A2 | B1 | A1
q1: B4 | A4 | B3 | A3

在 aarch64 上，情况完全不同。

from MSB to LSB:
v0: A4 | A3 | A2 | A1
v1: B4 | B3 | B2 | B1

zip2 v2.4s, v0.4s, v1.4s
zip1 v3.4s, v0.4s, v1.4s

v2: B2 | A2 | B1 | A1
v3: B4 | A4 | B3 | A3

而且您不应该将时间浪费在内部函数上。

我的汇编版本 4x4 矩阵乘法（浮点数、复数）运行速度几乎是我的 "spoon-fed" 内部函数版本的三倍，由 Clang 编译。

*GCC (7.1.1) 编译版本比 Clang 对应版本稍快，但相差不大。

以下是使用 32 位整数作为示例的内部函数版本。它适用于 A-32 NEON、Aarch32 和 Aarch64。

uint32x4_t vecA, vecB;
...

uint32x4x2_t vecR = vzipq_u32(vecA, vecB);
uint32x4_t vecX = vecR.val[0];
uint32x4_t vecY = vecR.val[1];

请注意，vzip2 结合了前（下）一半，而 vzip1 结合了后（上）一半。它们由 uint32x4x2_t 和 val[0] 和 val[1] 访问。一旦访问 val[]，编译器就可以 select zip1 和 zip2 指令。

从两个 128 位块中收集四个 32 位字

Gather four 32-bit words from two 128-bit blocks

c

arm

intrinsics

neon