ARM_MATH_LOOPUNROLL：提升代码性能的秘密武器

ARM_MATH_LOOPUNROLL：提升代码性能的秘密武器

引用

github

等

10

来源

1.

https://github.com/ARM-software/CMSIS_5/issues/1300

2.

https://m.blog.csdn.net/emily0626/article/details/72633005

3.

https://www.csdn.net/tags/MtjaUg4sMjc5NjEtYmxvZwO0O0OO0O0O.html

4.

https://m.edu.iask.sina.com.cn/jy/3f6G7TeCFGf.html

5.

https://blog.csdn.net/qq_18460067/article/details/119742664

6.

https://wenku.csdn.net/answer/44iouay1ve

7.

https://arm-software.github.io/CMSIS-DSP/

8.

https://community.st.com/t5/stm32-mcus-embedded-software/cmsis-dsp-library-performance/td-p/132955

9.

https://www.cnblogs.com/armfly/p/12653719.html

10.

https://web.eece.maine.edu/~hummels/classes/ece486/docs/CMSIS/Documentation/DSP/html/ChangeLog_pg.html

在嵌入式开发领域，特别是在数字信号处理（DSP）应用中，代码性能优化至关重要。ARM公司提供的CMSIS-DSP库中包含了一个名为ARM_MATH_LOOPUNROLL的预处理宏，这个宏通过循环展开（loop unrolling）技术显著提升代码执行效率。本文将深入探讨这个宏的作用原理、使用方法以及实际性能优化效果。

在程序中，循环结构虽然简洁，但每次迭代都需要执行循环控制指令，如比较、跳转等，这些额外指令会带来性能开销。循环展开技术通过减少循环控制的频率来优化性能。

具体来说，循环展开是将循环体复制多次，每次处理多个数据元素，从而减少总的迭代次数。例如，将每次处理1个元素的循环改为每次处理4个元素，可以将循环控制开销降低到原来的1/4。

循环展开的另一个好处是隐藏内存访问延迟。现代处理器通常具有指令流水线，如果每次只处理一个元素，流水线可能会因为等待数据从内存加载而停滞。通过一次处理多个元素，可以充分利用处理器的并行性，减少等待时间。

ARM_MATH_LOOPUNROLL是ARM CMSIS-DSP库中的一个预处理宏，用于控制是否启用循环展开优化。当这个宏被定义时，库函数会自动应用循环展开技术，从而减少循环控制开销，提高执行效率。

这个优化特别适合处理小批量数据的场景。在DSP应用中，很多算法需要频繁处理短小的数据块，如滤波、FFT等。通过循环展开，可以显著减少这些算法的执行时间。

下面以求绝对值函数arm_abs_f32为例，展示ARM_MATH_LOOPUNROLL如何影响代码生成：

void arm_abs_f32(const float32_t * pSrc, float32_t * pDst, uint32_t blockSize) {
    uint32_t blkCnt = blockSize;

#if defined(ARM_MATH_LOOPUNROLL)
    // 当 ARM_MATH_LOOPUNROLL 定义时，每次循环处理4个元素
    blkCnt = blockSize >> 2U;
    while (blkCnt > 0U) {
        *pDst++ = fabsf(*pSrc++);
        *pDst++ = fabsf(*pSrc++);
        *pDst++ = fabsf(*pSrc++);
        *pDst++ = fabsf(*pSrc++);
        blkCnt--;
    }
    // 处理剩余不足4个的情况
    blkCnt = blockSize & 0x3U;
#else
    // 没有定义 ARM_MATH_LOOPUNROLL 时，逐个处理元素
#endif

    while (blkCnt > 0U) {
        *pDst++ = fabsf(*pSrc++);
        blkCnt--;
    }
}

在这个例子中，如果ARM_MATH_LOOPUNROLL被定义，代码会每次从源数组读取4个元素，并计算它们的绝对值后写入目标数组。这样减少了循环控制的开销，提高了执行效率。

循环展开技术可以带来显著的性能提升，特别是在处理小批量数据时。但是，实际优化效果会受到多种因素的影响，包括：

1. 编译器优化设置：不同的编译器优化级别可能会影响循环展开的效果。例如，GCC编译器的-funroll-loops选项可以自动进行循环展开，如果与ARM_MATH_LOOPUNROLL配合不当，可能导致过度优化或优化不足。

2. 数据缓存：如果数据不在CPU缓存中，频繁的内存访问仍然会成为瓶颈。在某些情况下，循环展开可能导致更多的数据加载延迟，反而降低性能。

3. 处理器架构：不同的处理器架构对循环展开的响应不同。例如，ARM Cortex-M系列处理器的流水线结构和NEON SIMD指令集会影响优化效果。

下面是一个实际测试案例，展示了ARM_MATH_LOOPUNROLL带来的性能提升：

void main() {
    unsigned int N = 100000000;
    unsigned int blockSize = 32;

    float32_t vinp1[32] __attribute__((aligned (128)));
    float32_t vinp2[32] __attribute__((aligned (128)));
    float32_t voutp[32] __attribute__((aligned (128)));

    while (N--) {
        arm_mult_f32(&vinp1[0], &vinp2[0], &voutp[0], blockSize);
    }
}

在ARM Cortex-A7处理器上，使用GCC 9.3.0编译器，开启ARM_MATH_LOOPUNROLL后，这段代码的运行时间从13.39秒减少到10.56秒，性能提升了约21%。

ARM_MATH_LOOPUNROLL最适合以下场景：

• 需要频繁处理小批量数据的DSP算法
• 对性能要求极高，但代码体积不是主要考虑因素的应用
• 处理器支持NEON SIMD指令集，可以进一步提升并行处理能力

但是，在使用时需要注意以下几点：

1. 循环展开会增加代码体积，可能导致内存占用增加
2. 过度展开可能导致指令缓存失效，反而降低性能
3. 需要根据具体应用场景和处理器架构调整展开程度
4. 编译器的优化设置需要与循环展开配合得当

总结来说，ARM_MATH_LOOPUNROLL是ARM CMSIS-DSP库中一个强大的性能优化工具。通过循环展开技术，它可以显著减少循环控制开销，提升代码执行效率。在实际应用中，开发者需要根据具体需求和硬件环境合理使用这个宏，以达到最佳的性能优化效果。