AArch64架构下数组初始化与Neon SIMD操作的性能对比问询

算力阿峰

2026-8-15

AArch64 Neon Intrinsics 数组构造性能优化问题

在AArch64架构中使用Neon Intrinsics，通过函数参数传入数组并构造修改后的数据，代码如下：

void scenario1(uint16x8_t* X) {

    uint16x8_t arrayTest01[4] = {
          {X[0][4],X[0][5],X[0][6],X[0][7], -X[0][0],-X[0][1],-X[0][2],-X[0][3]},
          {X[1][4],X[1][5],X[1][6],X[1][7], -X[1][0],-X[1][1],-X[1][2],-X[1][3]},
          {X[2][4],X[2][5],X[2][6],X[2][7], -X[2][0],-X[2][1],-X[2][2],-X[2][3]},
          {X[3][4],X[3][5],X[3][6],X[3][7], -X[3][0],-X[3][1],-X[3][2],-X[3][3]}  
    };

    uint16x8_t arrayTest02[4];

    arrayTest02[0] = vextq_u16(X[0], vmulq_n_u16(X[0],-1),4);
    arrayTest02[1] = vextq_u16(X[1], vmulq_n_u16(X[1],-1), 4);
    arrayTest02[2] = vextq_u16(X[2], vmulq_n_u16(X[2],-1), 4);
    arrayTest02[3] = vextq_u16(X[3], vmulq_n_u16(X[3],-1), 4);

    // Rest of code which uses arrayTest01 and/or arrayTest02
}

arrayTest01和arrayTest02均为从scenario1函数外的结构数组生成的查找表，其中的向量均为半正半负（模65536）。

问题

初始化数组arrayTest01的元素是否会逐个从内存加载？
若为是，SIMD操作是否更快？
总体而言，哪种方式执行速度更快？初始化数组还是用SIMD构造数组？（最终数组将包含数千个条目）

回答

问题1：初始化arrayTest01是否会逐个加载内存元素？

在-O3优化级别下，不会逐个加载内存元素。X传入的是uint16x8_t类型指针，每个X[i]本身是128位Neon向量，编译器会直接把整个向量加载到寄存器，再通过**向量lane提取（如vgetq_lane_u16）和向量组合（如vcombineq_u16）**生成arrayTest01的元素。但这个过程需要拆分原向量的每个lane，再重新组合成新向量，会产生多条lane级操作指令，而非单条SIMD指令完成整个向量构造。

问题2：SIMD操作是否更快？

是的。arrayTest02使用的vmulq_n_u16和vextq_u16都是单周期SIMD指令：

vmulq_n_u16(X[i], -1)本质是对整个向量的8个16位元素同时执行取反操作，单指令完成8个元素的计算；
vextq_u16直接从两个输入向量中提取指定偏移的连续8个元素，一步完成新向量的拼接。
相比arrayTest01需要对每个lane单独提取、取反再组合的多指令序列，SIMD指令的吞吐量和延迟优势明显。

问题3：数千条目下哪种方式更快？

毫无疑问是**SIMD构造（arrayTest02的方式）**更快，核心原因有两点：

指令吞吐量差距：arrayTest01每个向量需要至少8条lane提取+8条取反+1条向量组合指令，而arrayTest02每个向量仅需2条SIMD指令，指令数量的差距会随条目数增加线性放大；
并行执行效率：SIMD指令专为批量数据设计，AArch64的Neon单元支持多指令并行调度，vmulq_n_u16和vextq_u16可以在流水线中连续执行，而lane级操作更容易产生数据依赖，限制并行度。

额外优化建议：如果scenario1被多次调用且X内容固定，可以把构造好的查找表移到函数外预计算，避免每次调用重复构造，能进一步降低运行时间。

内容的提问来源于stack exchange，提问作者liwuen

AArch64架构下数组初始化与Neon SIMD操作的性能对比问询

问题 #

回答 #

问题1：初始化arrayTest01是否会逐个加载内存元素？

问题2：SIMD操作是否更快？

问题3：数千条目下哪种方式更快？

问题

回答