Neon Intrinsics：Android入门

在本文中，我们将介绍如何为本地C++开发设置AndroidStudio，以及如何在ARM驱动的移动设备上使用Neon Intrinsics。

我将展示如何设置Android开发环境来使用Neon Intrinsics。然后，我们将实现一个Android应用程序，它使用Android Native DevelopmentKit(NDK)计算两个向量的点积。最后，我们将看到如何提高这样一个功能的性能。

作为Android开发人员，您可能没有时间编写汇编语言。相反，您的重点是应用程序可用性、可移植性、设计、数据访问以及将应用程序调到各种设备上。如果是这样的话，Neon Intrinsics将是一个很大的性能帮助。

ARM Neon Intrinsics技术是高级的单指令多数据(SIMD)处理器的体系结构扩展。SIMD的思想是在单个CPU周期内对数据序列或向量执行相同的操作。

例如，如果您是从两个一维数组中求和数字，则需要一个一个地添加它们。在非SIMD CPU中，每个数组元素从内存加载到CPU寄存器，然后添加寄存器值并将结果存储在内存中。对所有元素都重复此过程。为了加速这些操作，支持SIMD的CPU一次加载多个元素，执行操作，然后将结果存储到内存中。根据序列长度，性能将提高N。从理论上讲，计算时间将减少N。

通过使用SIMD结构，Neon Intrinsics可以加速多媒体和信号处理应用的性能，包括视频和音频编码和解码、3D图形以及语音和图像处理。Neon Intrinsics提供的控制几乎与编写汇编代码一样多，但它们将寄存器的分配留给编译器，以便开发人员能够专注于算法。因此，Neon Intrinsics在提高性能和编写汇编语言之间取得了平衡。

首先，我将向您展示如何设置您的Android开发环境以使用Neon Intrinsics。然后，我们将实现一个Android应用程序，它使用AndroidNativeDevelopmentKit(NDK)计算两个向量的点积。最后，我们将看到如何提高这样一个功能的性能。

我创建了这个示例项目Android Studio。示例代码可从GitHub存储库获得。NeonIntrinsics-Android。我用三星SM-J710F手机测试了代码。

原生C++Android项目模板

首先，我使用本机C++项目模板创建了一个新项目。

然后，我将应用程序名设置为Neon Intrinsics，选择Java作为语言，并将最小SDK设置为API 19：Android4.4(KitKat)。

然后，我选择了C++标准的工具链默认值。

我创建的项目包含一个在MainActivity类，派生自AppCompatActivity(见App/java/com.example.neonintrinsics/MainActivity.java)。关联视图仅包含TextView控件，该控件显示“Hello from C++”字符串。

要获得这些结果，您可以使用其中一个模拟器直接从AndroidStudio运行该项目。要成功构建该项目，您需要安装CMake和AndroidNDK。您可以通过设置(FilesSettings)来做到这一点。然后，在SDK Tools选项卡上选择NDK和CMake。

如果您打开MainActivity.java文件中，您将注意到应用程序中来自native-lib的字符串。代码在APP/CPP/本机-lib.cpp文件夹。这就是我们将用于实现的文件夹。

支持Neon Intrinsics

要启用对Neon Intrinsics的支持，您需要修改ABI滤波器，因此，这个应用程序可以为ARM架构构建。Neon Intrinsics有两个版本：一个用于ARMv 7，ARMv8AArch32，另一个用于ARMv8AArch64。从本质的角度看，存在一些差异，如ARMv8-A中增加了2xFloat 64的向量。它们都可以在arm_neon.h找到头文件。你还需要导入Neon Intrinsics库。

转到Gradle脚本，并打开build.gradle(模块：APP)文件。然后，补充defaultConfig节中添加以下语句。首先，将这一行添加到常规设置中：

ndk.abiFilters x86, armeabi-v7a, arm64-v8a

这里，我添加了对x86、32位和64位ARM架构的支持。然后在cmake选项下面添加这一行：

arguments “-DANDROID_ARM_NEON=ON”

它应该是这样的：

defaultConfig { applicationId “com.example.myapplication” minSdkVersion 16 targetSdkVersion 29 versionCode 1 versionName “1.0” ndk.abiFilters x86, armeabi-v7a, arm64-v8a testInstrumentationRunner “androidx.test.runner.AndroidJUnitRunner” externalNativeBuild { cmake { cppFlags “” arguments “-DANDROID_ARM_NEON=ON” } } }

现在您可以使用Neon Intrinsics，它在arm_neon.h。请注意，构建将只成功的ARM-v7和更高版本。

点乘积和辅助方法

我们现在可以用C++实现两个向量的点积。所有的代码都应该放在native-Lib.cpp文件。注意，从armv8.4a开始，DotProduct是新指令集的一部分。这对应于一些皮质A75设计和所有的皮质A76设计继续。

我们从生成ramp的helper方法开始，从startValue:

short* generateRamp(short startValue, short len) { short* ramp = new short[len]; for(short i = 0; i < len; i++) { ramp[i] = startValue + i; } return ramp; }

接下来，我们实现msElapsedTime方法，稍后将用于确定执行时间：

double msElapsedTime(chrono::system_clock::time_point start) { auto end = chrono::system_clock::now(); return chrono::duration_cast<chrono::milliseconds>(end – start).count(); } chrono::system_clock::time_point now() { return chrono::system_clock::now(); }

这个msElapsedTime方法计算从给定起点传递的持续时间(以毫秒表示)。

方法是一个方便的包装器。std::chrono::system_clock::now方法，该方法返回当前时间。

现在创建实际的dotProduct方法。正如您从编程类中所记得的，要计算两个等长向量的点积，您可以逐元素地乘向量元素，然后累加得到的积。该算法的简单实现如下：

int dotProduct(short* vector1, short* vector2, short len) { int result = 0; for(short i = 0; i < len; i++) { result += vector1[i] * vector2[i]; } return result; }

上面的实现使用for循环。因此，我们依次乘向量元素，然后将得到的乘积累加到一个名为结果的局部变量中。

用Neon Intrinsics计算点积

若要修改dotProduct函数以受益于Neon Intrinsics，您需要拆分for循环，以便它能够利用数据通道。为此，对循环进行分区或矢量化，以便在单个CPU周期内对数据序列进行操作。这些序列被定义为矢量。但是，为了区别于作为点积输入的向量，我将这些序列称为寄存器向量.

对于寄存器向量，可以减少循环迭代，这样，在每次迭代时，就可以乘多个向量元素，然后累加多个向量元素来计算点积。可以使用的元素数量取决于寄存器布局。

ARM Neon架构使用64位或128位寄存器文件。在64位的情况下，您可以使用8个8位、4个16位或两个32位的元素。在128位情况下，您可以使用16位8位、8位16位、4位32位或两个64位元素。

为了表示各种寄存器向量，Neon Intrinsics使用以下名称约定：

<type><size>x<number of lanes>_t <type>是数据类型(int、uint、Float或poly)。 <size>用于数据类型(8、16、32、64)的位数。 <number of lanes>确定了多少车道。

例如,int16x4_t表示具有4条16位整数元素的向量寄存器，它等价于一个4元素int 16一维数组(short[4]).

你不能直接实例化Neon Intrinsics内部类型。相反，您可以使用专用方法将数据从数组加载到CPU寄存器。这些方法的名称以vld。注意，方法命名使用类似于类型命名的约定。所有方法后面跟着一个方法短名(如ld对于LOAD)，以及字母和多个位的组合(例如，s16)指定输入数据类型。

Neon Intrinsics本质与组装指令直接对应：

int dotProductNeon(short* vector1, short* vector2, short len) { const short transferSize = 4; short segments = len / transferSize; // 4-element vector of zeros int32x4_t partialSumsNeon = vdupq_n_s32(0); // Main loop (note that loop index goes through segments) for(short i = 0; i < segments; i++) { // Load vector elements to registers short offset = i * transferSize; int16x4_t vector1Neon = vld1_s16(vector1 + offset); int16x4_t vector2Neon = vld1_s16(vector2 + offset); // Multiply and accumulate: partialSumsNeon += vector1Neon * vector2Neon partialSumsNeon = vmlal_s16(partialSumsNeon, vector1Neon, vector2Neon); } // Store partial sums int partialSums[transferSize]; vst1q_s32(partialSums, partialSumsNeon); // Sum up partial sums int result = 0; for(short i = 0; i < transferSize; i++) { result += partialSums[i]; } return result; }

在这里，为了从内存中加载数据，我使用vld1_s16方法。此方法从短路数组中加载四个元素(带符号的16位整数或s16(简称)到CPU寄存器。

一旦元素在cpu寄存器中，我将使用vmlal(乘积和积累)方法。此方法从两个数组中添加元素，并将结果累加到第三个数组中。

在这里，这个数组存储在partialSumsNeon变量。要初始化这个变量，我使用了vdupq_n_s32方法，它将所有CPU寄存器设置为特定值。在本例中，值为0。这是矢量法写的等价物int sum = 0.

一旦所有循环迭代完成，您需要将结果和存储回内存。您可以逐个元素读取结果元素。using vget_lane方法，或者使用vst方法。我使用第二种选择。

一旦部分和返回到内存中，我就对它们进行求和，以得到最终结果。

请注意，在AArch64上，您还可以使用：

return vaddv_s32 (partialSumsNeon);

然后跳过第二个for循环。

把东西放在一起

我们现在可以把所有的代码放在一起了。为此，我们将修改MainActivity.stringFromJNI方法。

extern “C” JNIEXPORT jstring JNICALL MainActivity.stringFromJNI ( JNIEnv* env, jobject /* this */) { // Ramp length and number of trials const int rampLength = 1024; const int trials = 10000; // Generate two input vectors // (0, 1, …, rampLength – 1) // (100, 101, …, 100 + rampLength-1) auto ramp1 = generateRamp(0, rampLength); auto ramp2 = generateRamp(100, rampLength); // Without NEON intrinsics // Invoke dotProduct and measure performance int lastResult = 0; auto start = now(); for(int i = 0; i < trials; i++) { lastResult = dotProduct(ramp1, ramp2, rampLength); } auto elapsedTime = msElapsedTime(start); // With NEON intrinsics // Invoke dotProductNeon and measure performance int lastResultNeon = 0; start = now(); for(int i = 0; i < trials; i++) { lastResultNeon = dotProductNeon(ramp1, ramp2, rampLength); } auto elapsedTimeNeon = msElapsedTime(start); // Clean up delete ramp1, ramp2; // Display results std::string resultsString = “—-==== NO NEON ====—-\nResult: ” + to_string(lastResult) + “\nElapsed time: ” + to_string((int)elapsedTime) + ” ms” + “\n\n—-==== NEON ====—-\n” + “Result: ” + to_string(lastResultNeon) + “\nElapsed time: ” + to_string((int)elapsedTimeNeon) + ” ms”; return env->NewStringUTF(resultsString.c_str()); }

这个MainActivity.stringFromJNI方法如下所示。

首先，我们使用generateRamp方法。

接下来，我们用非Neon方法计算了这些矢量的点积。dotProduct。我们重复这个计算多次(试验常数)，并使用msElasedTime.

然后，我们执行相同的操作，但现在使用的是启用Neon的方法。dotProductNeon.

最后，我们结合这两种方法的结果以及在resultsString。后者将显示在TextView。请注意，要成功构建和运行上述代码，您需要一个ARM-v7-A/ARMv8-A设备。

这是一个7%的改善，简单地使用内置的本质。在ARM 64设备上，理论上的改进可以达到25%。

总结

在本文中，我们了解了如何为本地C++开发设置AndroidStudio，以及如何在ARM驱动的移动设备上使用Neon Intrinsics。

在解释了Neon Intrinsics的概念之后，我们演示了两个等长向量的点积的一个示例实现。然后我们用专用的Neon Intrinsics本质将方法矢量化。通过这样做，我们介绍了您在使用Neon Intrinsics组件时所采取的重要步骤，特别是将数据从内存加载到CPU寄存器，完成操作，然后将结果存储回内存。

代码的矢量化从来都不是一件容易的事情。然而，您可以简化它与Neon Intrinsics，以提高性能在场景中使用3D图形，信号和图像处理，音频编码，视频流。