参考：https://blog.csdn.net/billbliss/article/details/78929304
https://blog.csdn.net/SoaringLee_fighting/article/details/81265865
一、arm通用指令
通用算术指令：
VABA：向量差值绝对值累加、VABD：向量差值绝对值、VABS：向量绝对值、VNEG：向量求反、
VADD、VADDW、VADDL、VSUB、VSUBL、VSUBW：向量加减，包括宽型、长型和窄型三种格式。
VPADD：将两个向量的相邻元素相加
如 VPADD.I16 {d2}, d0, d1
VPADDL：VPADDL.S16 d0, d1
VMAX：最大值，VMIN：最小值
VMUL、VMULL、VMLA（乘加）、VMLS（乘减）、
加载存储指令：
VLD和VST
交叉存取的示意图：
VREV反转元素指令：
VEXT移位指令：
VTRN转置指令：可以用于矩阵的转置
VZIP指令：压缩，类似交叉存取
VUZP指令：解压操作，类似交叉存取
VTBL查表指令：从d0，d1中查找d3中的索引值，如果找到则取出，没有找到则为0，存入d2中
二、需要注意的地方
1、 load数据的时候，第一次load会把数据放在cache里面，只要不超过cache的大小，下一次load同样数据的时候，则会比第一次load要快很多，会直接从cache中load数据，这样在汇编程序设计的时候是非常需要考虑的问题。
如：求取一个图像的均值，8*8的窗口，先行求和，然后列求和出来均值，这时候会有两个函数，数据会加载两遍，如果按照这样去优化的话则优化不了多少。如果换成上面这种思路，先做行16行，然后再做列，这样数据都在cache里面，做列的时候load数据会很快。
2、在做neon乘法指令的时候会有大约2个clock的阻塞时间，如果你要立即使用乘法的结果，则就会阻塞在这里，在写neon指令的时候需要特别注意。乘法的结果不能立即使用，可以将一些其他的操作插入到乘法后面而不会有时间的消耗。
如：vmul.u16 q1, d3, d4
vadd.u32 q1, q2, q3
此时直接使用乘法的结果q1则会阻塞，执行vadd需要再等待2个clock的时间
3、使用饱和指令的时候，如乘法饱和的时候，在做乘法后会再去做一次饱和，所以时间要比直接做乘法要慢。
如： vmul.u16 q1, d3, d4
vqmul.u32 q1, q2, q3
后一个的时间要比第一个的时间要久。
4、在对16位数据进行load或者store操作的时候，需要注意的是字节移位。比如是16位数据，则load 8个16位数据，如果指定寄存器进行偏移，此时需要特别注意。
例如：vld1.64 {d0}, [r0], r1
5、去除数据之间的依赖
不要将当前指令的目的寄存器作为下一条指令的源寄存器。一般当前指令的运算结果会在下一条指令中使用，我们可以通过指令穿插避免数据依赖。
6、减少分支跳转
ARM处理器中广泛使用分支预测技术。但是一旦分支预测失败，性能就会损失很大。所以，
尽量不要用分支跳转！可以采用逻辑运算指令替代分支跳转！
比如：
VCEQ, VCGE, VCGT, VCLE, VCLT……
VBIT, VBIF, VBSL……
另外，可以使用条件执行指令，比如addgt,suble等减少分支跳转！
建议一次性多处理几行数据，从而减少循环跳转的次数，提升性能。