在移動平臺上進行一些複雜演算法的開發，一般需要用到指令集來進行加速。目前在移動上使用最多的是ARM晶片。

ARM是微處理器行業的一家知名企業，其晶片結構有：armv5、armv6、armv7和armv8系列。晶片型別有：arm7、arm9、arm11、cortex系列。指令集有：armv5、armv6和neon指令。關於ARM到知識參考：http://baike.baidu.com/view/11200.htm

最初的ARM指令集為通用計算型指令集，指令集都是針對單個數據進行計算，沒有平行計算到功能。隨著版本的更新，後面逐漸加入了一些複雜到指令以及平行計算到指令。而NEON指令是專門針對大規模到並行運算而設計的。

NEON 技術可加速多媒體和訊號處理演算法（如視訊編碼/解碼、2D/3D 圖形、遊戲、音訊和語音處理、影象處理技術、電話和聲音合成），其效能至少為ARMv5 效能的3倍，為 ARMv6 SIMD效能的2倍。

關於SIMD和SISD：Single Instruction Multiple Data，單指令多資料流。反之SISD是單指令單資料。以加法指令為例，單指令單資料（SISD）的CPU對加法指令譯碼後，執行部件先訪問記憶體，取得第一個運算元；之後再一次訪問記憶體，取得第二個運算元；隨後才能進行求和運算。而在SIMD型的CPU中，指令譯碼後幾個執行部件同時訪問記憶體，一次性獲得所有運算元進行運算。這個特點使SIMD特別適合於多媒體應用等資料密集型運算。如下圖所示：

如何才能快速到寫出高效的指令程式碼？這就需要對各個指令比較熟悉，知道各個指令的使用規範和使用場合。

ARM指令有16個32位通用暫存器，為r0-r15，其中r13為堆疊指標暫存器，r15為指令計算暫存器。實際可以使用的暫存器只有14個。r0-r3一般作為函式引數使用，函式返回值放在r0中。若函式引數超過4個，超過到引數壓入堆疊。

有效立即數的概念：每個立即數採用一個8位的常數(bit[7:0])迴圈右移偶數位而間接得到，其中迴圈右移的位數由一個4位二進位制(bit[11:8] )的兩倍表示。如果立即數記作<immediate> , 8位常數記作immed_8 , 4位的迴圈右移值記作rotate_imm ,有效的立即數是由一個8位的立即數迴圈右移偶數位得到，可以表示成：

<immediate>=immed_8迴圈右移( 2×rotate_imm)

如：mov r4 , #0x8000 000A    #0x8000 000A 由0xA8迴圈右移0x2位得到。

下面介紹一些比較常用到一些指令。

記憶體訪問指令：

LDR和STR，有三種方式，比較容易搞混

LDR r0, [r1, #4]   r0 := mem[r1+4]   ，#4是直接偏移量，這時候只能在正負4Kb到範圍內。也可以是暫存器偏移，用+/-表示。記住r1不進行偏移。

LDR r0, [r1, #4]!  r0 :=mem[r1+4]，r1 := r1 + 4，取值是取偏移量到值，並且r1進行偏移。

LDR r0, [r1], #4   r0 :=mem[r1] ，r1 := r1 +4，取值是取r1地方到值，取值後進行偏移。運算後自動加4，後變址。

另外：LDRB是無符號位元組，SB是有符號位元組，H無符號半字，SH有符號半字。

儲存器和暫存器資料交換：SWP，SWPB

如SWP r0, r1, [r2]   r0 := mem[r2]，mem[r2] := r1

多暫存器資料傳輸：

LDMIA r1, {r0,r2,r5}  r0 = mem[r1], r2 = mem[r1+4], r5=mem[r1+8]

通用資料處理指令

第二運算元，常用到有LSR，LSL等，如mov r1, r2, lsl #2 將r2左移2位然後賦值到r1中。

常用到操作有ADD、SUB、AND、ORR、EOR、BIC、ORN，如果加上了S則會更新條件標記。

MOV移動，MVN取反移動。MOV可以是R暫存器，立即數以及接第二運算元。

REV：在字或半字內反轉位元組或位到順序

MUL、MLA和MLS，乘法、乘加和乘減。MLA R1，R2，R3，R4表示R1=R2*R3+R4，還有有符號和無符號乘法等。

跳轉指令

B：無條件跳轉，BL：帶連結到跳轉，BX跳轉並交換指令集等。

重點介紹一下NEON指令，目前使用較多。而且使用難度也較大，很多文件上都沒有比較詳細到介紹，也沒有給出相應到例子或者圖示。

一、NEON基本知識

NEON的暫存器：

有16個128位四字到暫存器Q0-Q15，32個64位雙子暫存器D0-D31，兩個暫存器是重疊的，在使用到時候需要特別注意，不小心就會覆蓋掉。如下圖所示：

兩個暫存器的關係：Qn =D2n和D2n+1，如Q8是d16和d17的組合。

NEON的資料型別：

注意資料型別針對到時運算元，而不是目標數，這點在寫的時候要特別注意，很容易搞錯，尤其是對那些長指令寬指令的時候，因為經常Q和D一起操作。

NEON中的正常指令、寬指令、窄指令、飽和指令、長指令

正常指令：生成大小相同且型別通常與運算元向量相同到結果向量

長指令：對雙字向量運算元執行運算，生產四字向量到結果。所生成的元素一般是運算元元素寬度到兩倍，並屬於同一型別。L標記，如VMOVL。

寬指令：一個雙字向量運算元和一個四字向量運算元執行運算，生成四字向量結果。W標記，如VADDW。

窄指令：四字向量運算元執行運算，並生成雙字向量結果，所生成的元素一般是運算元元素寬度的一半。N標記，如VMOVN。

飽和指令：當超過資料型別指定到範圍則自動限制在該範圍內。Q標記，如VQSHRUN

二、NEON指令

NEON指令較多，下面主要介紹一些常見的指令用法。

複製指令：

VMOV：

兩個arm暫存器和d之間

vmov d0, r0, r1：將r1的內容送到d0到低半部分，r0的內容送到d0到高半部分

vmov r0, r1, d0：將d0的低半部分送到r0，d0的高半部分內容送到r1

一個arm暫存器和d之間

vmov.U32 d0[0], r0：將r0的內容送到d0[0]中，d0[0]指d0到低32位

vmov.U32 r0, d0[0]：將d0[0]的內容送到r0中

立即數：

vmov.U16 d0, #1：將立即數1賦值給d0的每個16位

vmov.U32 q0, #1：將立即數1賦值給q0的每個32位

長指令：VMOVL：d賦值給q

vmovl.U16 q0, d0：將d0的每個16位資料賦值到q0的每個32位資料中

窄指令：VMOVN：q賦值給d

vmovn.I32 d0, q0：將q0的每32位資料賦值到q0的每16位資料中

飽和指令：VQMOVN等，飽和到指定的資料型別

 vqmovun.S32 d0, q0：將q0到每個32位移動到d0中到每個16位中，範圍是0-65535

VDUP：

VDUP.8 d0, r0：將r0複製到d0中，8位

VDUP.16 q0, r0：將r0複製到q0中，16位

VDUP.32 q0, d2[0]：將d2的一半複製到q0中

VDUP.32 d0, d2[1]：將d2的一半複製到d0中

注意是vdup可以將r暫存器中的內容複製到整個neon暫存器中，不能將立即數進行vdup，立即數只能用vmov

邏輯運算：

VADD：按位與；VBIC：位清除；VEOR：按位異或；VORN：按位或非；VORR：按位或

移位指令：

VSHL：左移、VSHLL：左移擴充套件、VQSHL：左移飽和、VQSHLU：無符號左移飽和擴充套件

VSHR：右移、VSHRN：右移窄、VRSHR：右移舍入、VQSHRUN：無符號右移飽和舍入

通用算術指令：

VABA：絕對值累加、VABD：絕對值相加、VABS：絕對值、VNEG：求反、VADD、VADDW、VADDL、VSUB、VSUBL、VSUBW：加減

VPADD：將兩個向量的相鄰元素相加

如VPADD.I16 {d2}, d0, d1

VPADDL：VPADDL.S16 d0, d1

VMAX：最大值，VMIN：最小值

VMUL、VMULL、VMLA（乘加）、VMLS（乘減）、

載入儲存指令：

VLD和VST

交叉存取的示意圖：

VREV反轉元素指令：

VEXT移位指令：

VTRN轉置指令：可以用於矩陣的轉置

VZIP指令：壓縮，類似交叉存取

VUZP指令：解壓操作，類似交叉存取

VTBL查表指令：從d0，d1中查詢d3中的索引值，如果找到則取出，沒有找到則為0，存入d2中

三、需要注意的地方

    load資料的時候，第一次load會把資料放在cache裡面，只要不超過cache的大小，下一次load同樣資料的時候，則會比第一次load要快很多，會直接從cache中load資料，這樣在彙編程式設計的時候是非常需要考慮的問題。

     如：求取一個影象的均值，8*8的視窗，先行求和，然後列求和出來均值，這時候會有兩個函式，資料會載入兩遍，如果按照這樣去優化的話則優化不了多少。如果換成上面這種思路，先做行16行，然後再做列，這樣資料都在cache裡面，做列的時候load資料會很快。

   在做neon乘法指令的時候會有大約2個clock的阻塞時間，如果你要立即使用乘法的結果，則就會阻塞在這裡，在寫neon指令的時候需要特別注意。乘法的結果不能立即使用，可以將一些其他的操作插入到乘法後面而不會有時間的消耗。

如：vmul.u16 q1, d3, d4 

         vadd.u32 q1, q2, q3

此時直接使用乘法的結果q1則會阻塞，執行vadd需要再等待2個clock的時間

使用飽和指令的時候，如乘法飽和的時候，在做乘法後會再去做一次飽和，所以時間要比直接做乘法要慢。

如：  vmul.u16 q1, d3, d4

          vqmul.u32 q1, q2, q3

後一個的時間要比第一個的時間要久。

在對16位資料進行load或者store操作的時候，需要注意的是位元組移位。比如是16位資料，則load 8個16位資料，如果指定暫存器進行偏移，此時需要特別注意。

例如：vld1.64 {d0}, [r0], r1

參考資料：