ARM Cortex-A9 NEON性能初步测试

最近在ZC702上对ARM Cortex-A9的NEON性能做了些测试。

测试代码如下：

        .balign  4
        .global neon_best_pipelne
        .arm
neon_best_pipelne:
        .rept 10000
        vmla.f32 q10, q0, q5
        vmla.f32 q11, q1, q6
        vmla.f32 q12, q2, q7
        vmla.f32 q13, q3, q8
        vmla.f32 q14, q4, q9
        .endr
        BX lr

时间用Private Timer来度量，Private Timer的clock为CPU clock的一半，可以很精确的统计算法使用的时间。

VLD和VST访问的数据最好是8字节对齐：DATATYPE vec1[SIZE] __attribute__((aligned(8)));

FLOAT的测试结果如下：

Nr of valid NEON instructions	PCLK(Filtered Average)	CPU_CLK per instruction
5	50040.12	~2
4	45017.75	~2.25
3	45025.00	~3
2	44999.00	~4.5
1	44974.75	~9

   注意：

   1. Nr of valid NEON instructions: 从下往上注释掉不用的VMLA指令
   2. Filtered Average的算法: (total-max-min)/(LOOP-2)

按照MPE的文档，VMLA Qd,Qn,Qm在没有pipeline interlock的情况下，最小需要的cycle为2。但是实际测试发现这个需要在VMLA指令连续的情况下才能达到。

NEON上FLOAT的极限性能：

根据MPE手册，VMLA Qd,Qn,Qm在没有pipeline interlock的情况下，最小需要的cycle为2。也就意味着理想情况下每个CPU cycle能完成2次float乘加运算，这样1GHz的单核CA9可以提供2GFLOPS。但是实际上往往其他指令（VLD，VST，etc）会把性能降下来

把VMLA的指令后缀改成.i32，即可测试int 32在NEON上的性能。int32的性能数据和MPE手册吻合的比较好。

Nr of valid NEON instructions	PCLK(Filtered Average)	CPU_CLK per instruction
5	100012.25	~4
4	80005.50	~4
3	60017.50	~4
2	40018.25	~4
1	25009.88	~5