我已将部分算法从C转换为ARM Assembler(使用NEON指令),
但现在它比原始C代码慢2倍.
如何提高性能？

Target是ARM Cortex-A9.

该算法从数组中读取64位值.从该值中提取一个字节,然后将其用作另一个表的查找值.
这部分大约完成了10次,每个结果表值与其他值进行异或,最终结果写入另一个数组.

像这样的东西：

result[i] = T0[ GetByte0( a[i1] ) ] ^ T1[ GetByte1( a[i2] ) ] ^ ... ^ T10[ (...) ];

在我的方法中,我在氖寄存器中加载整个数组“a”,然后在arm寄存器中移动右字节,计算偏移量,然后从表中加载值：

vldm.64 r0, {d0-d7}         //Load 8x64Bit from the input array

vmov.u8 r12, d0[0]          //Mov the first Byte from d0 into r12
add r12, r2, r12, asl #3    // r12 = base_adress + r12 << 3
vldr.64 d8, [r12]           // d8 = mem[r12]
.
.
.
veor d8, d8, d9             // d8 = d8 ^ d9
veor d8, d8, d10            // d8 = d8 ^d10      ...ect.

其中r2保存查找表的基址.

adress = Table_adress + (8* value_fromByte);

此步骤(开头加载除外)完成100次.为什么这么慢？

“vld”,“vldr”和“vldm”之间有什么区别 – 哪一个是最快的.
如何仅在霓虹灯寄存器中执行偏移计算？
谢谢.

解决方法:

也许你可以试试

ldrb     r12, [r0], #1
add      r3, r2, r12, asl #3
vld1.64  {d0}, [r3]

ldrb     r12, [r0], #1
add      r3, r2, r12, asl #3
vld1.64  {d1}, [r3]
veor     d0, d0, d1         // d8 = d8 ^ d1

ldrb     r12, [r0], #1
add      r3, r2, r12, asl #3
vld1.64  {d1}, [r3]
veor     d0, d0, d1         // d8 = d8 ^ d1

...

那不是最好的解决方案.之后,您可以通过重新订购指令来提高性能.