Intrinsics 中 Neon 的校验和代码实现

我正在尝试使用内在函数为 NEON 实现校验和计算代码（2 的补码加法）。当前的校验和计算是在 ARM 上进行的。

我的实现一次从内存中获取 128 位数据到 NEON 寄存器中并执行 SIMD（加法），结果从 128 位数字折叠为 16 位数字。

一切看起来都工作正常，但我的 NEON 实现比 ARM 版本消耗更多时间。

ARM 版本需要：0.860000秒NEON 版本需要：1.260000秒

Note:

1. 使用“time.h”中的实用程序进行分析
2. 从示例应用程序调用校验和函数 10,000 次，并在所有函数完成运行后计算时间

其他详情：

1. 使用GNU工具链（arm-none-linux-gnueabi-gcc）来编译内部代码，而不是arm工具链。
2. Linux平台。
3. C 内部代码。

问题：

1. 为什么NEON版本比ARM版本花费更多时间？ （尽管我已经注意使用批次中具有最小周期的内在函数）

2. 如何实现我想要实现的目标？ （NEON 的效率）

3. 有人可以指出我或分享一些使用 ARM-NEON 互操作的示例实现（伪代码/算法/代码，而不是理论实现论文或演讲）吗？

任何帮助将非常感激。

这是我的代码：

uint16_t do_csum(const unsigned char * buff, int len)
{
int odd, count, i;

uint32x4_t result = veorq_u32( result, result), sum = veorq_u32( sum, sum); 
uint16x4_t data, data_hi, data_low, data8;
uint16x8_t dataq;
uint16_t result16, disp[20] = {0,0,0,0,0,0,0,0,0,0};

if (len <= 0)
    goto out;
odd = 1 & (unsigned long) buff;
if (odd) {
    uint8x8_t data1 = veor_u8( data1, data1); 
    data1 = (uint16x4_t)vld1_lane_u8((uint8_t *)buff, data1, 0); //result = *buff << 8;
    data1 = (uint16x4_t)vshl_n_u16( data1, 8);

    len--;
    buff++;
    result = vaddw_u16(result, data1);
}
count = len >> 1;       /* nr of 16-bit words.. */
if (count) {
    if (2 & (unsigned long) buff) {
        uint16x4_t data2 = veor_u16( data2, data2); 
        data2 = (uint16x4_t) vld1_lane_u16((uint16_t *)buff, data2, 0); //result += *(unsigned short *) buff;
        count--;
        len -= 2;
        buff += 2;
        result = vaddw_u16( result, data2);
    }
    count >>= 1;        /* nr of 32-bit words.. */
    if (count) {
        if (4 & (unsigned long) buff) {
            uint32x2_t data4 = (uint16x4_t) vld1_lane_u32((uint32_t *) buff, data4, 0);
            count--;
            len -= 4;
            buff += 4;
            result = vaddw_u16( result, data4);
        }
        count >>= 1;    /* nr of 64-bit words.. */
        if (count) {
            if (8 & (unsigned long) buff) {
                uint64x1_t data8 = vld1_u64((uint64_t *) buff); 
                count--;
                len -= 8;
                buff += 8;
                result = vaddw_u16( result,(uint16x4_t)data8);
            }
            count >>= 1;    /* nr of 128-bit words.. */
            if (count) {
                do {
                    dataq = (uint16x8_t)vld1q_u64((uint64_t *) buff); // VLD1.64 {d0, d1}, [r0]
                    count--;
                    buff += 16;

                    sum = vpaddlq_u16(dataq);   
                    vst1q_u16( disp, dataq); // VST1.16 {d0, d1}, [r0]

                    result = vaddq_u32( sum, result);
                } while (count);
            }
            if (len & 8) {
                uint64x1_t data8 =  vld1_u64((uint64_t *) buff); 
                buff += 8;
                result = vaddw_u16( result, (uint16x4_t)data8);
            }
        }
        if (len & 4) {
            uint32x2_t data4 = veor_u32( data4, data4); 

            data4 = (uint16x4_t)vld1_lane_u32((uint32_t *) buff, data4, 0);//result += *(unsigned int *) buff;
            buff += 4;
            result = vaddw_u16( result,(uint16x4_t) data4);
        }
    }
    if (len & 2) {
        uint16x4_t data2 = veor_u16( data2, data2); 
        data2 = (uint16x4_t) vld1_lane_u16((uint16_t *)buff, data2, 0); //result += *(unsigned short *) buff;
        buff += 2;
        result = vaddw_u16( result, data2);
    }
}
if (len & 1){
    uint8x8_t data1 = veor_u8( data1, data1); 
    data1 = (uint16x4_t) vld1_lane_u8((uint8_t *)buff, data1, 0); //result = *buff << 8;
    result = vaddw_u8( result, data1);
}


result16 = from128to16(result);

if (odd)
    result16 = ((result16 >> 8) & 0xff) | ((result16 & 0xff) << 8);

out:
    return result16;
}

您可以改进一些事情：

• 摆脱商店disp- 这看起来像调试代码留在？
• 不要在主循环中进行水平加法 - 只需在循环中进行部分（垂直）求和，并在循环后进行最后一次水平加法（请参阅这个答案有关如何执行此操作的示例 - 适用于 SSE，但原理是相同的）
• 确保您使用gcc -O3 ...从编译器优化中获得最大收益
• 不要使用goto！ （不影响性能，但很邪恶。）