Qualcomm Hexagon平台乘累加(MAC)循环的DSP优化方案咨询

针对你的需求，提供三种可落地的实现方案，覆盖C intrinsics、汇编两种实现形式： #

1. 标量4倍展开实现（C语言，无平台强依赖） #

不需要调用专用intrinsics，利用Hexagon标量单元原生支持的64位内存加载能力完成4个16位数据的批量读取，编译器会自动优化为单周期加载指令：

#include <stdint.h>
typedef int16_t Word16;
typedef int32_t Word32;

Word32 mac_scalar_4x(const Word16 *pointer1, const Word16 *pointer2)
{
    Word32 sum = 0;
    // 循环长度64，按4展开共16次迭代
    for (int i = 0; i < 64; i += 4) {
        // 单次加载4个连续Word16到64位寄存器
        uint64_t vec1 = *(const uint64_t *)(pointer1 + i);
        uint64_t vec2 = *(const uint64_t *)(pointer2 + i);
        
        // 拆分后做乘累加
        sum += ((int16_t)(vec1 & 0xFFFF)) * ((int16_t)(vec2 & 0xFFFF));
        sum += ((int16_t)((vec1 >> 16) & 0xFFFF)) * ((int16_t)((vec2 >> 16) & 0xFFFF));
        sum += ((int16_t)((vec1 >> 32) & 0xFFFF)) * ((int16_t)((vec2 >> 32) & 0xFFFF));
        sum += ((int16_t)((vec1 >> 48) & 0xFFFF)) * ((int16_t)((vec2 >> 48) & 0xFFFF));
    }
    return sum;
}

注意：pointer1、pointer2需要按8字节对齐，可通过__attribute__((aligned(8)))修饰指针定义。 #

2. HVX矢量intrinsics实现（性能更高，推荐用于量产代码） #

利用Hexagon HVX矢量单元的并行计算能力，单周期可完成最多8个16位MAC操作，如果要严格按4倍展开可调整步长为4并使用64位矢量加载：

#include <hexagon_types.h>
#include <hvx_hexagon_protos.h>
typedef int16_t Word16;
typedef int32_t Word32;

Word32 mac_hvx_4x(const Word16 *pointer1, const Word16 *pointer2)
{
    HVX_Vector sum_vec = Q6_V_vzero();
    for (int i = 0; i < 64; i += 4) {
        // 加载4个16位数据到64位矢量段
        HVX_Vector a = Q6_V_vlduh((const HVX_Vector *)(pointer1 + i));
        HVX_Vector b = Q6_V_vlduh((const HVX_Vector *)(pointer2 + i));
        // 矢量乘累加
        sum_vec = Q6_Vw_vaddw_VwVw(sum_vec, Q6_Vw_vmpy_VhVh_s1(a, b));
    }
    // 矢量求和转为标量结果
    return Q6_R_sumw_Vw(sum_vec);
}

编译时需要添加对应HVX版本参数，比如针对Hexagon v66则添加-mv66 -mhvx=v66，同时开启O2以上优化等级。 #

3. 汇编实现（性能最优，可完全控制指令调度） #

4倍宽度内存加载使用memd指令读取64位数据到d寄存器，示例核心循环如下：

// 输入：r0 = pointer1, r1 = pointer2，输出r0 = sum
mac_asm_4x:
    {
        r2 = #0
        loop0(.mac_loop, #16) // 64/4=16次循环
    }
.mac_loop:
    {
        d0 = memd(r0++#8)  // 加载4个16位到d0，指针偏移8字节
        d1 = memd(r1++#8)  // 加载4个16位到d1，指针偏移8字节
    }
    {
        r3 = mpy16(d0.l, d1.l)
        r4 = mpy16(d0.h, d1.h)
        r2 = add(r2, r3)
        r2 = add(r2, r4)
    }
    {
        r0 = r2
        jumpr r31
    }

注意事项 #

• 所有批量加载操作都要求源指针对齐，64位加载要求8字节对齐，128位HVX加载要求16字节对齐，未对齐会导致性能下降甚至异常
• 如果循环长度可变但始终为4的倍数，将代码中的固定64替换为传入的长度参数即可

内容的提问来源于stack exchange，提问作者lina_2299