Android NDK使用NEON优化，SIMD优化
http://wenku.baidu.com/link?url=O-hWpGqRzGI00vHP4gsZI1u_8AV8xA94VTmMvtf8Rs4bmdnJdAPrYxg2WHs_1ZglnUNKIHUmnSFCCk9LP1UB3sjSsJYJI8F-9vuvRiHy_OK
http://www.tuicool.com/articles/673mIn
http://www.arm.com/zh/products/processors/technologies/neon.php
http://blog.csdn.net/chshplp_liaoping/article/details/12752749
http://blog.csdn.net/ccjjnn19890720/article/details/7291228
http://community.arm.com/groups/android-community/blog/2015/03/27/arm-neon-programming-quick-reference
有的时候其实网络上资料比较多，但是自己很难找到。
譬如我一直想要做Android NDK的源代码优化，知道可以利用NEON，可以利用汇编进行。
但是却找不到正确的门路。所以耗费了很多时间。
在针对C代码的优化上，实在是收益甚微，对某个函数进行的代码优化，对整个系统来说，
影响一般很小（一方面代码本来在优化上性能的提升倍数不多，另一方面单个函数在整个
系统中占用的比重都很低），所以优化了几天也见不到明显的进展。
找到一些相关的资料也花费了很多功夫，
首先找到了要在C源代码中只用NEON库需要的头文件 arm_neon.h
#include <arm_neon.h>
// 在代码中先添加了这行语句，然后执行ndk-build 却提示了错误
// 提示要增加什么标志，自己在 LOCAL_CXX_FLAGS 的后面添加了，但是仍然报错
// 后来搜索 NDK + NEON 终于找到了一点点苗头并开始发现。
// 遂总结如下内容
Android.mk 文件内容可以参考这个：
http://download.csdn.net/download/carlonelong/4153631
我做了一点修改，改后的文件如下：
LOCAL_PATH := $(call my-dir)
include $(CLEAR_VARS)
# 这里填写要编译的源文件路径，这里只列举了一部分
LOCAL_SRC_FILES := NcHevcDecoder.cpp JNI_OnLoad.cpp TAppDecTop.cpp
# 默认包含的头文件路径
LOCAL_C_INCLUDES := \
$(LOCAL_PATH) \
$(LOCAL_PATH)/..
# -g 后面的一系列附加项目添加了才能使用 arm_neon.h 头文件
# -mfloat-abi=softfp -mfpu=neon 使用 arm_neon.h 必须
LOCAL_CFLAGS := -D__cpusplus -g -mfloat-abi=softfp -mfpu=neon -march=armv7-a -mtune=cortex-a8LOCAL_LDLIBS := -lz -llogTARGET_ARCH_ABI :=armeabi-v7aLOCAL_ARM_MODE := arm
ifeq ($(TARGET_ARCH_ABI),armeabi-v7a)
# 采用NEON优化技术
LOCAL_ARM_NEON := true
endif
LOCAL_MODULE := avcodecinclude $(BUILD_STATIC_LIBRARY)
同时需要修改一下Application.mk文件，其内容如下：
可以参考： http://blog.csdn.net/gg137608987/article/details/7565843
APP_PROJECT_PATH := $(call my-dir)/..
APP_PLATFORM := android-10
APP_STL := stlport_static
APP_ABI := armeabi-v7a
APP_CPPFLAGS += -fexceptions
其中APP_ABI这句指定了编译的目标平台类型，可以针对不同平台进行优化。
当然这样指定了之后，就需要相应的设备支持NEON指令。
我的一个NDK应用，在使用上述配置之后，即NEON优化等，程序的性能提升了近一倍。
系统的处理延时由原来的 95ms左右降低到了 51ms。
后续可以使用NEON库进一步优化 NDK 程序代码，实现更加优化的结果。
NEON优化的部分将在后面介绍，我会一边应用一边更新博客。
网上有一个用NEON优化YUV转RGB的NEON优化例子，可以参见：
这里摘录一下其优化过程：
1、原始代码
void reference_convert (uint8_t * __restrict dest, uint8_t * __restrict src, int n)
{
int i;
for (i=0; i<n; i++)
{
int r = *src++; // load red
int g = *src++; // load green
int b = *src++; // load blue
// build weighted average:
int y = (r*77)+(g*151)+(b*28);
// undo the scale by 256 and write to memory:
*dest++ = (y>>8);
}
}
2、使用NEON库进行代码优化
Since NEON works in 64 or 128 bit registers it’s best to process eight pixels in parallel.
That way we can exploit the parallel nature of the SIMD-unit. Here is what I came up with:
因为NEON工作在64位或128位的寄存器上，因此最适合同时处理8个像素点的转换。
这样就形成了下面这样的代码。
void neon_convert (uint8_t * __restrict dest, uint8_t * __restrict src, int n)
{
int i;
uint8x8_t rfac = vdup_n_u8 (77); // 转换权值 R
uint8x8_t gfac = vdup_n_u8 (151); // 转换权值 G
uint8x8_t bfac = vdup_n_u8 (28); // 转换权值 B
n/=8;
for (i=0; i<n; i++)
{
uint16x8_t temp;
uint8x8x3_t rgb = vld3_u8 (src);
uint8x8_t result;
temp = vmull_u8 (rgb.val[0], rfac); // vmull_u8 每个字节（8bit）对应相乘，结果为每个单位2字节（16bit）
temp = vmlal_u8 (temp,rgb.val[1], gfac); // 每个比特对应相乘并加上
temp = vmlal_u8 (temp,rgb.val[2], bfac);
result = vshrn_n_u16 (temp, 8); // 全部移位8位
vst1_u8 (dest, result); // 转存运算结果
src += 8*3;
dest += 8;
}
}
vmull.u8 multiplies each byte of the first argument with each corresponding byte of the second argument. Each result becomes a 16 bit unsigned integer, so no overflow can happen. The entire result is returned as a 128 bit NEON register pair.
vmlal.u8 does the same thing as vmull.u8 but also adds the content of another register to the result.
So we end up with just three instructions for weighted average of eight pixels. Nice.
Now it’s time to undo the scaling of the weight factors. To do so I shift each 16 bit result to the right by 8 bits. This equals to a division by 256. ARM NEON has lots of instructions to do the shift, but also a “narrow” variant exists. This one does two things at once: It does the shift and afterwards converts the 16 bit integers back to 8 bit by removing all the high-bytes from the result. We get back from the 128 bit register pair to a single 64 bit register.
3、结果对比
（1）C语言NEON版本汇编
/*
未进行汇编优化的结果
C-version: 15.1 cycles per pixel.
NEON-version: 9.9 cycles per pixel.
这里是说优化结果并不非常理想，所以查看了一下它的汇编文件
That’s only a speed-up of factor 1.5. I expected much more from the NEON implementation. It processes 8 pixels with just 6 instructions after all.
What’s going on here? A look at the assembler output explained it all. Here is the inner-loop part of the convert function:
*/
160: f46a040f vld3.8 {d16-d18}, [sl]
164: e1a0c005 mov ip, r5
168: ecc80b06 vstmia r8, {d16-d18}
16c: e1a04007 mov r4, r7
170: e2866001 add r6, r6, #1 ; 0x1
174: e28aa018 add sl, sl, #24 ; 0x18
178: e8bc000f ldm ip!, {r0, r1, r2, r3}
17c: e15b0006 cmp fp, r6
180: e1a08005 mov r8, r5
184: e8a4000f stmia r4!, {r0, r1, r2, r3}
188: eddd0b06 vldr d16, [sp, #24]
18c: e89c0003 ldm ip, {r0, r1}
190: eddd2b08 vldr d18, [sp, #32]
194: f3c00ca6 vmull.u8 q8, d16, d22
198: f3c208a5 vmlal.u8 q8, d18, d21
19c: e8840003 stm r4, {r0, r1}
1a0: eddd3b0a vldr d19, [sp, #40]
1a4: f3c308a4 vmlal.u8 q8, d19, d20
1a8: f2c80830 vshrn.i16 d16, q8, #8
1ac: f449070f vst1.8 {d16}, [r9]
1b0: e2899008 add r9, r9, #8 ; 0x8
1b4: caffffe9 bgt 160
（2）NEON汇编优化
Since the compiler can’t generate good code I wrote the same loop in assembler.
In a nutshell I just took the intrinsic based loop and converted the instructions one by one. The loop-control is a bit different, but that’s all.
// 这里针对生成的目标汇编代码进一步作了优化，优化的代码如下：
convert_asm_neon:
# r0: Ptr to destination data
# r1: Ptr to source data
# r2: Iteration count:
push {r4-r5,lr}
lsr r2, r2, #3
# build the three constants:
mov r3, #77
mov r4, #151
mov r5, #28
vdup.8 d3, r3
vdup.8 d4, r4
vdup.8 d5, r5
.loop:
# load 8 pixels:
vld3.8 {d0-d2}, [r1]!
# do the weight average:
vmull.u8 q3, d0, d3
vmlal.u8 q3, d1, d4
vmlal.u8 q3, d2, d5
# shift and store:
vshrn.u16 d6, q3, #8
vst1.8 {d6}, [r0]!
subs r2, r2, #1
bne .loop
pop { r4-r5, pc }
最终结果对比：
C-version: 15.1 cycles per pixel.
NEON-version: 9.9 cycles per pixel.
Assembler: 2.0 cycles per pixel.
可以见到NEON优化在性能上提速了 7 倍多（同时处理8个像素）
