Apple M2平台Neon指令周期数查询及置零指令性能疑问

一、M1/M2平台性能参考资源 #

针对Apple Silicon的Neon指令周期、吞吐量等性能数据，可参考以下资源：

• Apple Silicon优化指南：官方文档详细说明了M系列微架构的Neon单元设计、指令分组（比如位操作、算术操作的执行端口分配），以及各类指令的延迟、吞吐量建议，是最权威的参考。
• ARM官方Neon编程手册：提供通用Neon指令的基础性能特性，结合Apple的定制微架构细节，可理解指令的底层执行逻辑。
• 社区实测数据：不少开发者整理了M1/M2的指令性能表格，包含常见Neon指令的实测周期数，其中就涵盖置零操作的不同实现对比。

二、为什么veorq_u8置零更快 #

在M2微架构下，你的实测结果符合以下逻辑：

• 位操作单元的高吞吐量：veorq_u8属于位操作指令，M2的Neon位操作单元拥有更高的执行吞吐量，单周期可以处理更多这类指令。
• 无立即数开销：veorq_u8(v, v)直接对寄存器自身异或，不需要加载立即数0，避免了立即数解码、加载的额外开销。而vdupq_n_s32(0)需要将立即数0广播到128位寄存器，这一步的延迟略高于异或操作。
• 指令执行效率：vsubq_u32(v, v)虽然也是寄存器间操作，但减法指令属于算术操作单元，在M2里的执行优先级和吞吐量不如位操作单元，因此性能略逊于异或。

三、测试代码 #

#include <arm_neon.h>
#define ANKERL_NANOBENCH_IMPLEMENT
#include "nanobench.h"

int32x4_t setzeroA()
{
    return vdupq_n_s32(0);
}
int32x4_t setzeroB()
{
    int32x4_t v;
    return vsubq_u32(v, v);
}
uint8x16_t setzeroC()
{
    uint8x16_t v;
    return veorq_u8(v, v);
}

int main() {
    ankerl::nanobench::Bench().run("Set", [&] {
        auto v = setzeroA();
        ankerl::nanobench::doNotOptimizeAway(v);
    });
    ankerl::nanobench::Bench().run("sub", [&] {
        auto v = setzeroB();
        ankerl::nanobench::doNotOptimizeAway(v);
    });
    ankerl::nanobench::Bench().run("xor", [&] {
        auto v = setzeroC();
        ankerl::nanobench::doNotOptimizeAway(v);
    });
}

内容的提问来源于stack exchange，提问作者Stan