ストライドデータをC++でコピーする

Question

私は2つの配列を持っています。例えば、私は

A A A A A A A A ... 

B B B B B B B B ... 

を持っていると私はポスト「Is there a standard, strided version of memcpy?」から

B A A B A A B A ... 

を得ることがAにBのすべての三つの要素をコピーしたい、可能性には、そのような存在しないようですしかし、いくつかのケースでは、memcpyがループベースのコピーforより高速であることを経験しました。

私の質問は、 C言語でストライドメモリコピーを効率的に実行する方法はありますか？forループのように少なくとも実行していますか？

ありがとうございました。

EDIT - 問題をより明確にすることが課題

の明確化、私たちはaとbによって手で二つの配列を示すものとします。私はユニーク以下を実行する関数forループ

、彼らが実際に意味することができるように、両方の []年代は、例えば

、（私は式テンプレート技術を使用しています）の演算子をオーバーロードされ

for (int i=0; i<NumElements, i++) 
    a_[i] = b_[i]; 

を持っています

a[3*i]=b[i]; 

Answer 1

Is there any way to efficiently perform strided memory copy in C++ performing at least as a standard for loop? 

編集2：ストライドC++ライブラリにコピーする機能はありません。

ストライドコピーは一般的にメモリコピーではないため、チップメーカーも言語設計もストライドコピーを特化してサポートしています。

標準のforループを想定すると、ループアンロールを使用すると、パフォーマンスが向上する場合があります。いくつかのコンパイラには、ループをアンロールするオプションがあります。それは「標準的な」オプションではない。 繰り出さバージョンで

for (index_result = 0; index_result < RESULT_SIZE;) 
{ 
    result[index_result++] = B[index_b++]; 
    result[index_result++] = A[index_a++]; 
    result[index_result++] = A[index_a++]; 

    result[index_result++] = B[index_b++]; 
    result[index_result++] = A[index_a++]; 
    result[index_result++] = A[index_a++]; 
} 

、数：

#define RESULT_SIZE 72 
#define SIZE_A 48 
#define SIZE_B 24 

unsigned int A[SIZE_A]; 
unsigned int B[SIZE_B]; 
unsigned int result[RESULT_SIZE]; 

unsigned int index_a = 0; 
unsigned int index_b = 0; 
unsigned int index_result = 0; 
for (index_result = 0; index_result < RESULT_SIZE;) 
{ 
    result[index_result++] = B[index_b++]; 
    result[index_result++] = A[index_a++]; 
    result[index_result++] = A[index_a++]; 
} 

ループのアンロール "標準" forループの内容を繰り返します：標準forループを考えると

ループは半分にカットされています。

パフォーマンスの向上は、他のオプションと比較してごくわずかです。 次の問題は、パフォーマンスに影響を与え、それぞれが異なる速度の向上を有していてもよい：

• 処理データキャッシュは
• 命令パイプラインのリロード（プロセッサに依存します）
• オペレーティングシステムディスクとメモリをスワップ
• 他のタスクをミス同時に実行する
• 並列処理（プロセッサ/プラットフォームによって異なる）

並列処理の1つの例は、1つのプロセッサにBアイテムを新しいアレイにコピーさせ、別のプロセッサがAアイテムを新しいアレイにコピーさせることです。

Answer 2

あまりにも具体的な答えかもしれませんが、NEONをサポートするARMプラットフォームでは、ストライドコピーをさらに高速化するためにNEONベクトル化を使用できます。これは、リソースが比較的限られている環境では人生を節約することができます。これはおそらく、最初にARMをその環境で使用する理由です。目立った例は、ほとんどのデバイスがNEONをサポートするARM v7aアーキテクチャを引き続き使用するAndroidです。

次の例では、YUV420spイメージの半平面UV平面をYUV420pイメージの平面UV平面にコピーするループを示しています。送信元バッファと宛先バッファのサイズは、両方とも640*480/2バイトです。すべての例は、Android NDK r9dのg ++​​ 4.8でコンパイルされています。

レベル1：彼らはサムスンExynosオクタ5420プロセッサ上で実行されているだけ-O3でコンパイル正規

void convertUVsp2UVp(
    unsigned char* __restrict srcptr, 
    unsigned char* __restrict dstptr, 
    int stride) 
{ 
    for(int i=0;i<stride;i++){ 
     dstptr[i]   = srcptr[i*2]; 
     dstptr[i + stride] = srcptr[i*2 + 1]; 
    } 
} 

、平均で約1.5ミリ秒かかります。

レベル2：広げとは-O3のみ、平均で約1.15ミリ秒かかるとコンパイル移動ポインタ

void convertUVsp2UVp(
    unsigned char* __restrict srcptr, 
    unsigned char* __restrict dstptr, 
    int stride) 
{ 
    unsigned char* endptr = dstptr + stride; 
    while(dstptr<endptr){ 
     *(dstptr + 0)    = *(srcptr + 0); 
     *(dstptr + stride + 0) = *(srcptr + 1); 
     *(dstptr + 1)    = *(srcptr + 2); 
     *(dstptr + stride + 1) = *(srcptr + 3); 
     *(dstptr + 2)    = *(srcptr + 4); 
     *(dstptr + stride + 2) = *(srcptr + 5); 
     *(dstptr + 3)    = *(srcptr + 6); 
     *(dstptr + stride + 3) = *(srcptr + 7); 
     *(dstptr + 4)    = *(srcptr + 8); 
     *(dstptr + stride + 4) = *(srcptr + 9); 
     *(dstptr + 5)    = *(srcptr + 10); 
     *(dstptr + stride + 5) = *(srcptr + 11); 
     *(dstptr + 6)    = *(srcptr + 12); 
     *(dstptr + stride + 6) = *(srcptr + 13); 
     *(dstptr + 7)    = *(srcptr + 14); 
     *(dstptr + stride + 7) = *(srcptr + 15); 
     srcptr+=16; 
     dstptr+=8; 
    } 
} 

で少し絞っ。これはおそらく、他の答えに従って、通常のアーキテクチャーと同じくらい速いでしょう。

レベル3：-O3 -mfpu=neon -ftree-vectorize -ftree-vectorizer-verbose=1 -mfloat-abi=softfpでコンパイル +レギュラーGCC自動NEONベクトル化

void convertUVsp2UVp(
    unsigned char* __restrict srcptr, 
    unsigned char* __restrict dstptr, 
    int stride) 
{ 
    for(int i=0;i<stride;i++){ 
     dstptr[i]   = srcptr[i*2]; 
     dstptr[i + stride] = srcptr[i*2 + 1]; 
    } 
} 

、平均して約0.6ミリ秒を要します。参考のためにmemcpyの640*480バイト、またはここでテストされた量の2倍の平均で約0.6ミリ秒かかる。

上記のNEONパラメータを使用してコンパイルされた2番目のコード（展開されていない点）は、ほぼ同じ時間0.6 msを要します。