在手臂霓虹灯中有效地重新洗牌和组合 16 个 3 位数字

Question

我有一个由十六个无符号数字组成的数组，其中每个数字小于 8(例如，它可以用 3 位表示)。这 16 个数字加载到uint8x16_tq 寄存器中。我需要重新洗牌并组合它们，类似于这个伪代码：

void reshuffleCombine(uint8_t src[16], uint64_t* dst)
{
uint64 d = 0;
d |= uint64(src[0])  << 45;
d |= uint64(src[4])  << 42;
d |= uint64(src[8])  << 39;
d |= uint64(src[12]) << 36;
d |= uint64(src[1])  << 33;
d |= uint64(src[5])  << 30;
d |= uint64(src[9])  << 27;
d |= uint64(src[13]) << 24;
d |= uint64(src[2])  << 21;
d |= uint64(src[6])  << 18;
d |= uint64(src[10]) << 15;
d |= uint64(src[14]) << 12;
d |= uint64(src[3])  << 9;
d |= uint64(src[7])  << 6;
d |= uint64(src[11]) << 3;
d |= uint64(src[15]) << 0;
*dst = d;
}
void reshuffleCombineNeon(uint8x16_t src, uint64_t* dst)
{
uint64x1_t res;
// ??
vst1_u64(dst, res);
}

我可以用 1 个 vld后跟 1 个 vtbl 重新洗牌它们，但是，这整个操作是最后一步之一，不会重复很多次(例如，1 vld 不能在多个重新洗牌Combines 之间共享)，因此如果可能的话，最好使用 vtrn/vzip，并且可能比 vld+vtbl 更有效。但是，问题的要点是：如何将所有这些 16 个 3 位数字合并为一个 48 位值(存储在 64 位 uint 中)。该函数在算法结束时运行，16 个 3 位数字来自 neon，函数的结果存储在内存中。

我的霓虹灯版本：

void reshuffleCombineNeon(uint8x16_t src, uint32_t* dst)
{
static const uint8_t idx0[] = { 15, 7, 14, 6, 13, 5, 12, 4 };
static const uint8_t idx1[] = { 11, 3, 10, 2, 9,  1, 8,  0 };
uint8x8x2_t y;
y.val[0] = vget_low_u8(src);
y.val[1] = vget_high_u8(src);
uint8x8_t vidx0 = vld1_u8(idx0);
uint8x8_t vidx1 = vld1_u8(idx1);
uint8x8_t x0 = vtbl2_u8(y, vidx0);
uint8x8_t x1 = vtbl2_u8(y, vidx1);
uint8x8_t x01 = vsli_n_u8(x0, x1, 3);
uint16x8_t x01L = vmovl_u8(x01);
uint32x4_t x01LL = vsraq_n_u32(vreinterpretq_u32_u16(x01L), vreinterpretq_u32_u16(x01L), 10);
x01LL = vmovl_u16(vmovn_u32(x01LL));
uint64x2_t x01X = vsraq_n_u64(vreinterpretq_u64_u32(x01LL), vreinterpretq_u64_u32(x01LL), 20);
x01X = vmovl_u32(vmovn_u64(x01X));
uint64x1_t X0 = vget_low_u64(x01X);
uint64x1_t X1 = vget_high_u64(x01X);
X0 = vsli_n_u64(X0, X1, 24);
vst1_u32(dst, vreinterpret_u32_u64(X0));
}

Answer 1

好的，不管它的价值如何，下面是一个根据我所知优化的 NEON 版本：

---

rev64   v16.16b, v16.16b
usra    v16.2d, v16.2d, #32-3       // 8 elements (8bit)
ushll   v17.8h, v16.8b, #6
uaddw2  v16.8h, v17.8h, v16.16b     // 4 elements (16bit)
uxtl    v16.4s, v16.4h
usra    v16.2d, v16.2d, #32-12      // 2 elements (32bit)
ushll2  v17.2d, v16.4s, #24
uaddw   v16.2d, v17.2d, v16.2s      // 1 element (64bit), d16 contains the result

---

它应该比你的快得多，但同样，它在有序机器上没有多大意义。