NEON指令集vfmaq_f32与vmlaq_f32的差异及速度精度对比问询

核心区别 #

从指令语义和硬件执行逻辑来看，二者的核心差异在于运算过程的舍入次数：

• vfmaq_f32：属于**融合乘加（Fused Multiply-Add, FMA）**指令，执行公式为 dst = a + (b * c)。乘法和加法在同一个硬件运算单元内完成，仅对最终结果进行一次舍入操作，中间乘法结果不会被截断或舍入。
• vmlaq_f32：属于**乘累加（Multiply-Accumulate, MAC）**指令，执行公式同样是 dst = a + (b * c)，但乘法和加法是独立的两步：先完成乘法并对结果舍入，再将舍入后的结果与a相加并再次舍入，总共两次舍入操作。

精度差异 #

• 在常规数值场景下（如你测试用的普通范围float值），二者计算结果往往一致，因为中间乘法结果的舍入不会影响最终输出。
• 在极端场景下（如极小/极大数值运算、数值量级差异极大的累加），vfmaq_f32的精度更高：由于仅一次舍入，它能保留更多中间运算的精度，减少舍入误差的累积；而vmlaq_f32的两次舍入会引入额外的误差，尤其在多次迭代累加的计算（比如矩阵乘法、滤波算法）中，误差会被逐步放大。

速度差异 #

速度表现取决于CPU架构是否支持硬件FMA单元：

• 在支持硬件FMA的ARM64平台（比如Apple Silicon，即你测试的macOS ARM64环境）：vfmaq_f32和vmlaq_f32的执行速度几乎无差异，甚至vfmaq_f32可能略快——因为FMA是单周期完成的硬件操作，而MAC需要拆分乘法和加法两步，但现代CPU通常会通过指令重排让MAC也达到近似单周期的执行效率。
• 在不支持硬件FMA的老旧ARM架构：vfmaq_f32会被编译器拆解为乘法+加法的组合指令，此时速度与vmlaq_f32相当，甚至可能更慢（因为需要额外的指令调度）。

测试代码及结果说明 #

在macOS ARM64平台下，以下测试代码运行结果一致（因为测试数值属于常规范围，两次舍入的结果无差异）：

#include <arm_neon.h>
#include <iostream>
using namespace std;
int main(){
    float a = 12.3839467819;
    float b = 21.437678904;
    float c = 4171.42144;
    printf("%.17f\n",a);
    printf("%.17f\n",b);
    printf("%.17f\n",c);

    printf("%.17f\n",a+b*c);

    float32x4_t a_reg = vdupq_n_f32(a);
    float32x4_t b_reg = vdupq_n_f32(b);
    float32x4_t c_reg = vdupq_n_f32(c);
    float32x4_t res_reg = vfmaq_f32(a_reg, b_reg, c_reg);
    float res[4] = {0.f};
    vst1q_f32(res,res_reg);
    printf("%.17f\n",res[0]);

    res_reg = vmlaq_f32(a_reg, b_reg, c_reg);
    vst1q_f32(res,res_reg);
    printf("%.17f\n",res[0]);

    res_reg = vmulq_f32(b_reg, c_reg);
    res_reg = vaddq_f32(res_reg, a_reg);
    vst1q_f32(res,res_reg);
    printf("%.17f\n",res[0]);
    return 0;
}

内容的提问来源于stack exchange，提问作者gaoshuzhendanteb