GCC为什么不优化此循环？

如何解决GCC为什么不优化此循环？

我正在用ARM Cortex-M7在STM32H743处理器上实现单级双二阶滤波器。我正在使用ARM嵌入式工具链中的GCC编译器来编译我的代码。

我想在没有实际手写汇编代码的情况下尽可能地优化代码-部分原因是我实际上紧紧围绕时钟周期，而且还因为我想学习如何在嵌入式平台上优化C代码。

人们经常谈论先进的现代编译器是什么，并且不应该试图超越它们-这在大多数情况下都是正确的，但是在这里我似乎遇到了GCC似乎不具备这种能力的情况尽可能地优化它。

所有发布的基准测试结果均使用片上周期计数器获得。在所有情况下都启用了-O3优化。

-edit：现在也可以在以下要点中找到所有代码：https://gist.github.com/Jonarw/dcd832095919715c65cdf3f4241617c0

这是我的代码未经优化的形式：

// b0,b1,b2,a1,a2,x1,x2,y1,y2 are initialized beforehand
// signal is a pointer to a block of memory in DTCM RAM
for (uint16_t i = 0; i < 4096; i++)
{
    x0 = signal[i];
    y0 = b0 * x0 + b1 * x1 + b2 * x2 + a1 * y1 + a2 * y2;
    signal[i] = y0;

    x2 = x1;
    x1 = x0;
    y2 = y1;
    y1 = y0;
}

根据我的基准，这需要94313个CPU周期来执行。

展开循环似乎是提高ARM Cortex CPU的性能的关键策略，尤其是CMSIS库广泛使用了这一点。所以我尝试了这个：

uint16_t c = 0;
for (uint16_t i = 0; i < 4096 / 8; i++)
{
    for (uint8_t i2 = 0; i2 < 8; i2++)
    {
        x0 = signal[c];
        y0 = b0 * x0 + b1 * x1 + b2 * x2 + a1 * y1 + a2 * y2;
        signal[c++] = y0;

        x2 = x1;
        x1 = x0;
        y2 = y1;
        y1 = y0;
    }
}

这使执行时间减少到25533个周期-几乎提高了4倍！

我假设发生的事情是编译器完全展开了内部循环，因此减少了循环引入的开销。我通过移除内循环并重复其主体8次来验证这一点-这使我获得了完全相同的循环计数。

我进行了一些研究，发现了#pragma GCC unroll n编译器指令，据我了解，该指令应该做完全相同的事情。所以我尝试了这个：

uint16_t c = 0;
#pragma GCC unroll 8
for (uint16_t i = 0; i < 4096; i++)
{
    x0 = signal[c];
    y0 = b0 * x0 + b1 * x1 + b2 * x2 + a1 * y1 + a2 * y2;
    signal[c++] = y0;

    x2 = x1;
    x1 = x0;
    y2 = y1;
    y1 = y0;
}

但是，令我失望的是，这花了97117个周期，所以比原来的周期还要长。

这是我的问题：

我的观察有意义吗？我对基准测试有误吗？
为什么GCC不能意识到它可以展开循环以提高性能？
为什么循环开销如此之大？据我了解，分支预测器应避免这种情况吗？
为什么#pragma GCC unroll 8与手动循环展开效果不同？
有没有一种方法（编译器标志，＃pragma ...）可以优化我的代码而无需手动展开循环？

编辑：到目前为止，非常感谢您的输入！我将尝试在评论中回答您的一些问题。

使用什么类型的变量？您可以将其重构为功能吗？

对不起，我确实应该一开始就包括在内。但是，在设法使问题保持简洁的过程中，此信息丢失了。

所有变量均为float。可以在包装为函数的要点中看到上述三个版本：https://gist.github.com/Jonarw/dcd832095919715c65cdf3f4241617c0

您如何测量周期？

我使用DWT_CYCCNT寄存器，如本SO帖子所述：ARM M4 Instructions per Cycle (IPC) counters

您正在使用-mcpu = cortex-m7，对吗？

是的，我是。我正在使用STM32CubeMX生成的Makefile。对gcc的完整调用如下所示：

arm-none-eabi-gcc -c -mcpu=cortex-m7 -mthumb -mfpu=fpv5-d16 -mfloat-abi=hard -DUSE_HAL_DRIVER -DSTM32H743xx -DARM_MATH_CM7 -D__FPU_PRESENT  -ICore/Inc -IDrivers/STM32H7xx_HAL_Driver/Inc -IDrivers/STM32H7xx_HAL_Driver/Inc/Legacy -IDrivers/CMSIS/Device/ST/STM32H7xx/Include -IDrivers/CMSIS/Include -IDrivers/CMSIS/DSP/Include -O3 -Wall -fdata-sections -ffunction-sections --g -gdwarf-2 -MMD -MP -MF"build/Biquad.d" -Wa,-a,-ad,-alms=build/Biquad.lst Core/Src/Biquad.c -o build/Biquad.o

这是一个主要部分，因此闪存前面有某种形式的缓存可能会影响性能测试。

我试图通过在DTCM RAM（未缓存）中进行操作来最大程度地减少缓存的影响。我确实尝试过在基准测试之前调用一次该函数，因此应将其完全缓存在ICache中-产生数百个周期的差异，没有什么太疯狂了。

您运行芯片有多快，并且有闪存等待状态？

芯片以480 MHz运行。是的，但是我不认为闪存速度确实是决定因素，因为ICache（请参见上文）。

您看过编译器生成的汇编代码吗？

我将尝试获取编译器输出并进行报告。

对于包含此功能的文件，您也可以尝试使用-O3 -funroll-loops，以查看是否有助于此循环。

我已经尝试过通过其他功能通过函数的属性对此进行建议。这样可以稍微改善性能，但并不能改善很多（有关详细信息，请参见上面的要点）。

GCC为什么不优化此循环？

如何解决GCC为什么不优化此循环？

相关推荐