1. 简介
最近在给客户评估STM32N6上执行2048点FIR需要多长时间的事情。STM32N6是一颗高性能MCU，主频能达到800MHz，使用了Cortex-M55内核，对比Cortex-M7内核的一个特点是使用了ARMv8-M的指令集，支持Helium架构。本文将简单介绍MVE指令集，另外将对比测试普通情况下的FIR和使用MVE指令后的FIR执行时间。
2. Helium简介
ARM的指令对于向量化运算的支持在Cortex-A中就已经存在了，类似于NEON指令集。Helium是针对Cortex-M内核的向量化运算支持。SIMD（Single Instruction， Multiple Data）指令集用于Cortex-M系列。在ARMv8-M架构文档中，这些指令集也被称为MVE（M-Profile Vector Extension）指令。 MVE扩展重用了FPU浮点单元中的寄存器作为向量寄存器，每个向量寄存器128位，分为4个32位block，每一个block被称为一个beat，Cortex-M55是Helium架构中的双beats实现。意味着每个时钟周期会有两个beats数据，由于overlapping的存在，Cortex-M55相对于Cortex-M4和Cortex-M7会有约4倍性能的提升。
上图中 ，1,2,3,4分别为不同时钟周期，每个时钟周期可以处理两个beats数据，即64位，在第二个时钟周期，由于VLDR指令和VMLA指令overlapping，即内核可以同时执行加载和处理指令，如果指令的pipeline和调度被设计的很合理的话，性能会有非常大的提升。
另外，Helium和FPU在Cortex-M55中是可选配的，并不是所有的Cortex-M55内核的MCU 都支持MVE 和FPU，MVE 又分为MVE-I（向量化整型和定点）,MVE-F（向量化浮点），STM32N6对于Helium（MVE-F）和FPU均支持。 3. 使用NUCLEO-N657X0-Q测试FIR 我们接下来将使用Helium 指令进行 FIR 的基本测试，对比测试使用 Helium 指令后的结果，以及最快多久可以执行完2048个点的FIR，测试中使用了STM32N6 Nucleo开发板。
3.1. 主要测试函数
SinWaveX函数，用于计算正弦波形数据并存储到缓冲区中，其中： • _SSinX 是一个结构体，包含 Alpha, Yn_1, Yn_2, 和 Gain 等成员。 • buffer 是一个浮点数组，用于存储计算结果。 • len 是数组的长度。 可以看到汇编代码中生成了VLDR，VMUL等向量化指令，但他不属于Helium指令集，而是属于 ARM 的浮点和向量指令集，在ARMv7版本中引入。
上面这个FIR函数，实现了一个简单的FIR滤波器，其中：
• out: 输出数组，用于存储滤波后的信号。 • signal: 输入信号数组。 • cattable: 滤波器系数数组。 • len: 输入信号的长度。 • nfir: 滤波器系数的数量。 主要计算过程如下： 1. 初始化指针: p1 指向输入信号，p3 指向滤波器系数。 2. 外层循环: 遍历输入信号的每个样本。 3. 内层循环: 对每个样本进行滤波计算。 o p2 指向当前样本，ptable 指向滤波器系数。 o 计算 ftmp，即当前样本的滤波结果。 4. 存储结果: 将滤波结果存储到输出数组中。
这段测试代码主要功能如下： • 该函数用于测试和验证 FIR 滤波器的功能。 • 它通过生成正弦波数据、复制数据、执行滤波操作来处理信号。 • GPIO 引脚的切换用于指示程序的运行状态。 • 无限循环确保滤波操作持续进行。 3.2. 验证主频 为了确保STM32N6工作在最高主频800MHz，还需要进行一些修改和测试。 测试方法是将主频16分频后，通过PA8引脚输出出来，800M/16=50MHz，也就是说应当在PA8管脚测量到50MHz的波形。
代码初始化： HAL_RCC_MCOConfig(RCC_MCO1, RCC_MCO1SOURCE_SYSA, RCC_MCODIV_16); 为了让STM32N6工作在800MHz，还需要确保VDDCORE供电电压为0.89V。Nucleo板上使用外部SMPS对VDDCORE进行供电，默认为0.81V，可以通过I2C改变供电电压为0.89V，参考代码为： BSP_I2C2_Init(); BSP_I2C2_WriteReg(0x92, 0x01, 0x64, 1); PA8脚测试结果如下：
3.3. 使能Helium
在IAR编译器中需要勾选上图的选项才可以使能Helium指令，如果是ARM编译器，需要设置以下参数： • cpu0.enable_helium_extension=1 • cpu0.vfp-present=1 • cpu0.vfp-enable_at_reset=1
3.4. 测试结果
3.4.1. 测试Case1：运行在SRAM2
3.4.2. 测试Case2：运行在DTCM&ITCM
3.4.3. 测试Case3：运行在DTCM&ITCM+Helium
可以看到使用MVE指令集后运行速度进一步提升，比之前不使用时快约3倍，如果是16位浮点或定点，速度能快更多，达到10倍以上，以上代码区别在于重新使用了新的FIR函数，新的FIR函数来自ARM提供的官方函数arm_fir_f32，该函数使用MVE指令集大大优化了FIR过程。
上图左侧中的do{} while()循环中，可以看到pTempDest和pTempSrc都是float32类型的指针，且每次加四，即vstrwq_p_f32这个函数每次可以处理4个float32单位的数据。 这段代码使用 ARM MVE 指令集来高效地处理浮点数据。它通过一个循环将源数组中的数据复制到目标数组中，使用谓词寄存器控制向量操作的有效性。每次循环处理 4 个浮点数，然后更新指针和计数器，直到所有元素都被处理完。 从右侧的汇编窗口可以看到使用了VLDRW.32, VMUL.F32, VFMA.F32等汇编指令，其中： VLDRW.32 Q0, [R1]： V表示这是一条Helium指令，W表示按字进行操作，32表示位宽。目标为128位寄存器Q0，源地址为R1指向的地址。所以该条指令用于从R1指向的地址加载4个32位宽的字到Q0寄存器。 对于其他指令，本文不再一一介绍，有关是Helium指令的更多详细内容建议参考ARM官方手册。
3.4.4. 测试总结
从测试结果来看，在其他条件都一致的情况下，代码运行在ITCM/DTCM内，比SRAM中要快6~7倍，使用Helium后要快3倍，基本符合预期。 4. 总结 Helium架构大大增强了Cortex-M55并行运算能力，在DSP运算方面大有可为。ARM官方的DSP库也集成了对MVE指令的支持，用户可以用官方库完成Helium的集成，对于其他并行的运算，用户也可以自己通过调用ARM的API完成并行运算，比如一些for循环的优化，可以通过MVE指令来加速。 除了工程师自己将代码并行化处理以外，还可以自动进行向量化，目前ARM的AC6编译器，对于自动向量化这一部分有很好的支持，工程师在Keil的编译器中只需要将优化等级设置为-O2及以上，Keil就默认使能自动向量化来优化代码。 另外，对于神经网络加速，Helium也提供了很好的支持，在CMSIS-NN库中已经集成了这部分，用户可以直接使用，本文不再介绍，感兴趣的工程师可以参考ARM官方文档。
文档中所用到的工具及版本 IAR : 9.60.3
|
|
