（讨论）ARM的DSP 函数效率

czdspeed · 发表于 2016-5-23 10:22:34

   我目前用f407改造一款原来公司用dsp完成的产品。    不知道论坛的网友有没有用过ARM的DSP核做过算法方面的评估。我之前做DSP算法评估的流程，一个算法写好后要先评估用了多少个乘加运算，内存开销，最后在DSP里面进行流水线优化。考核时间一般用DSP内部的两个“心跳计数器”“TSCH”“TSCL”计算实际的指令开销。
   现在用ARM，找不到精确定义时间的寄存器，所以我用调试器的那个“sec”计算运行的时间长短的。但是用了几次我发现不是太准，好像要比实际情况慢不少。我想问下坛友有什么好的方法精确的确定某段程序运行时间长短，tim定时器里面的cnt行不行。

   另外还有一个问题，我看了芯片介绍f407有硬件浮点支持，还有不少dsp的库函数支持。我周末做了一实验，考察了一下两列浮点数连乘的运行时间。

   1.for(i=0;i<6;i++)
re += *(in-i) * fircoeff;    这个在“sec”里面看了耗时是0.0000136

   dsp lib里面的函数改造了一下
   2.arm_add_f32(&IN[0], &fircoeff[0], &test[6], 6); 这个在“sec”里面看了耗时是0.0000187
   也就是说DSP的库函数还没有直接连乘的效率高，而且这个只是连乘的结果还没有进行累加，这个让我很费解。我觉得应该不太可能。不知道问题出在哪里。

   因为用DSP做的话要优化流水小，展开部分循环，输入的参数要双字对齐，告诉编译器这个循环最大和最小循环次等信息。一个循环的代码要写成这样：
_nassert(((int)x & 7) ==0);
_nassert(((int)y & 7) ==0);
_nassert(nr % 8 == 0);

#pragma MUST_ITERATE(2,4096,2);
#pragma UNROLL(16);

for(i=0;i<nr;i++)
{
*(y+i) += m *  *(x - i);
}

   我不清楚ARM上做算法优化是不是也需要一些技巧。

zuozhongkai · 发表于 2016-5-23 14:57:18

没用过F4的DSP功能，但是感觉第一个计算方法，编译器会优化，所以会快，可以用浮点数相乘做一次测试

czdspeed · 发表于 2016-5-23 15:35:00

zuozhongkai 发表于 2016-5-23 14:57
没用过F4的DSP功能，但是感觉第一个计算方法，编译器会优化，所以会快，可以用浮点数相乘做一次测试

我觉得如果直接编译器计算的时间都比库函数快的话，这些“arm_add_f32”就完全没意义了，DSP里面这种库函数一定比编译器的优化要快很多的。所以我不理解，或者ARM中用这些库函数还需要做另外一些处理？

czdspeed · 发表于 2016-5-23 17:05:43

zuozhongkai 发表于 2016-5-23 14:57
没用过F4的DSP功能，但是感觉第一个计算方法，编译器会优化，所以会快，可以用浮点数相乘做一次测试

目前还是需要用arm改的，我这里测试完了在总结一下arm的dsp核和dsp的区别。

jeff_梁 · 发表于 2016-5-25 16:16:37

我现在做的项目也是用F4的DSP来跑算法，也有很多盲区！以后还望指点

yyx112358 · 发表于 2016-5-25 17:49:09

本帖最后由 yyx112358 于 2016-5-25 17:54 编辑

DSP库函数通常来说计算之前做了很多初始化，主要是在进行4字节对齐。所以这个只有在次数很大时才能体现优势
不过arm_add_f32这个库函数应该确实没什么性能上的优化，主要是方便吧。下面是源码
[mw_shl_code=c,true]void arm_add_f32(
float32_t * pSrcA,
float32_t * pSrcB,
float32_t * pDst,
uint32_t blockSize)
{
uint32_t blkCnt; /* loop counter */
#ifndef ARM_MATH_CM0_FAMILY
/* Run the below code for Cortex-M4 and Cortex-M3 */
float32_t inA1, inA2, inA3, inA4; /* temporary input variabels */
float32_t inB1, inB2, inB3, inB4; /* temporary input variables */
/*loop Unrolling */
blkCnt = blockSize >> 2u;
/* First part of the processing with loop unrolling. Compute 4 outputs at a time.
** a second loop below computes the remaining 1 to 3 samples. */
while(blkCnt > 0u)
{
/* C = A + B */
/* Add and then store the results in the destination buffer. */
/* read four inputs from sourceA and four inputs from sourceB */
inA1 = *pSrcA;
inB1 = *pSrcB;
inA2 = *(pSrcA + 1);
inB2 = *(pSrcB + 1);
inA3 = *(pSrcA + 2);
inB3 = *(pSrcB + 2);
inA4 = *(pSrcA + 3);
inB4 = *(pSrcB + 3);
/* C = A + B */ (1)
/* add and store result to destination */
*pDst = inA1 + inB1;
*(pDst + 1) = inA2 + inB2;
*(pDst + 2) = inA3 + inB3;
*(pDst + 3) = inA4 + inB4;
/* update pointers to process next samples */
pSrcA += 4u;
pSrcB += 4u;
pDst += 4u;
/* Decrement the loop counter */
blkCnt--;
}
/* If the blockSize is not a multiple of 4, compute any remaining output samples here.
** No loop unrolling is used. */
blkCnt = blockSize % 0x4u;
#else
/* Run the below code for Cortex-M0 */
/* Initialize blkCnt with number of samples */
blkCnt = blockSize;
#endif /* #ifndef ARM_MATH_CM0_FAMILY */
while(blkCnt > 0u)
{
/* C = A + B */
/* Add and then store the results in the destination buffer. */
*pDst++ = (*pSrcA++) + (*pSrcB++);
/* Decrement the loop counter */
blkCnt--;
}
}[/mw_shl_code]

xkwy · 发表于 2016-5-25 18:24:56

没用过，不过我认为肯定是ARM的dsp库效率最高，没有比ARM更懂它的内核的了

http://www.keil.com/pack/doc/CMSIS/DSP/html/index.html

czdspeed · 发表于 2016-5-26 09:06:07

xkwy 发表于 2016-5-25 18:24
没用过，不过我认为肯定是ARM的dsp库效率最高，没有比ARM更懂它的内核的了

http://www.keil.com/pack/do ...

这个还是得实际测试一下，目前这几个测试确实没看出来太大的优势。我会稍微补充下接下来的测试结果。

czdspeed · 发表于 2016-6-3 17:06:07

jeff_梁发表于 2016-5-25 16:16
我现在做的项目也是用F4的DSP来跑算法，也有很多盲区！以后还望指点

好的，谢谢你。有问题多交流我搞dsp比较多，arm的dsp核也不是很懂。

Lone · 发表于 2016-6-4 16:10:01

DSP没有涉及，学习了

czdspeed · 发表于 2016-6-6 10:47:29

xkwy 发表于 2016-5-25 18:24
没用过，不过我认为肯定是ARM的dsp库效率最高，没有比ARM更懂它的内核的了

http://www.keil.com/pack/do ...

用arm的库函数测试1024点fft，直接用的st官方的demo。开了浮点支持。
“
/* Process the data through the CFFT/CIFFT module */
arm_cfft_f32(&arm_cfft_sR_f32_len1024, testInput_f32_10khz, ifftFlag, doBitReverse);

/* Process the data through the Complex Magnitude Module for
calculating the magnitude at each bin */
arm_cmplx_mag_f32(testInput_f32_10khz, testOutput, fftSize);

/* Calculates maxValue and returns corresponding BIN value */
arm_max_f32(testOutput, fftSize, &maxValue, &testIndex);

/* ----------------------------------------------------------------------
** Loop here if the signals fail the PASS check.
** This denotes a test failure
**
”

用定时器观察耗时6ms左右。我在6748上用ti的库函数测试是不到10000周期。6748是450MHz，所以在ti上跑大概是2.2us，两者差了300倍。