使用OpenCV中的universal intrinsics為算法提速 (三)

本文作者：于仕琪（OpenCV團(tuán)隊(duì)）

OpenCV 4.x中提供了強(qiáng)大的統(tǒng)一向量指令（universal intrinsics），使用這些指令可以方便地為算法提速。所有的計(jì)算密集型任務(wù)皆可使用這套指令加速，非計(jì)算機(jī)視覺(jué)算法也可。目前OpenCV的代碼加速實(shí)現(xiàn)基本上都基于這套指令。

前序文章：
使用OpenCV中的universal intrinsics為算法提速 (1)
使用OpenCV中的universal intrinsics為算法提速 (2)

前序文章1介紹了怎么編寫(xiě)C語(yǔ)言代碼使用OpenCV中的universal intrinsics來(lái)加速；文章2介紹了編譯器的選項(xiàng)。

本文使用一個(gè)向量點(diǎn)乘的例子，來(lái)展示universal intrinsics的的提速。

我們有兩個(gè)向量vec1和vec2，將對(duì)應(yīng)元素相乘，然后累加起來(lái)。計(jì)算公式為：

sum=vec1[0]*vec2[0] + vec1[1]*vec2[1]+ ... + vec1[n]*vec2[n].

如果采用純C語(yǔ)言，兩個(gè)行向量的點(diǎn)乘實(shí)現(xiàn)如下（如代碼顯示不完整，可以左右滑動(dòng)；或橫屏閱讀）

float dotproduct_c_float(Mat vec1, Mat vec2)
{
    float * pV1 = vec1.ptr(0);
    float * pV2 = vec2.ptr(0);
    float sum = 0.0f;
    for (size_t c = 0; c < vec1.cols; c++)
    {
        sum += pV1[c] * pV2[c];            
    }
    return sum;
}

如果采用OpenCV的universal intrinsics，兩個(gè)行向量的點(diǎn)乘實(shí)現(xiàn)如下：

（注意：下面函數(shù)僅為展示原理，未考慮數(shù)組長(zhǎng)度不是16（32或64）字節(jié)倍數(shù)情況）

float dotproduct_simd_float(Mat vec1, Mat vec2)
{
    float * pV1 = vec1.ptr(0);
    float * pV2 = vec2.ptr(0);
    size_t step = sizeof(v_float32)/sizeof(float);

    //向量元素全部初始化為零
    v_float32 v_sum = vx_setzero_f32();
    for (size_t c = 0; c < vec1.cols; c+=step)
    {
        v_float32 v1 = vx_load(pV1+c);
        v_float32 v2 = vx_load(pV2+c);
        //把乘積累加
        v_sum += v1 * v2; 
    }
    //把向量里的所有元素求和
    float sum = v_reduce_sum(v_sum);

    return sum;
}

例程使用OPEN AI LAB的EAIDK-310開(kāi)發(fā)板，OpenCV4.2.0，CPU型號(hào)為是RK3228H，采用ARM四核64位處理器 ，四核Cortex-A53，最高1.3GHz。

兩個(gè)例子的編譯命令分別如下（注意：皆采用了-O3選項(xiàng)以提速）：

g++ dotproduct-c.cpp -o dotproduct-c -O3 -I/usr/local/include/opencv4 -lopencv_core

g++ dotproduct-simd.cpp -o dotproduct-simd -O3 -I/usr/local/include/opencv4 -lopencv_core

從兩個(gè)函數(shù)的耗時(shí)可以看出，采用OpenCV的universal intrinsics后耗時(shí)僅為一半，速度翻倍。

兩個(gè)例程的完整源代碼如下。首先是C語(yǔ)言版本的dotproduct-c.cpp：

#include 

using namespace cv;

float dotproduct_c_float(Mat vec1, Mat vec2)
{
    float * pV1 = vec1.ptr(0);
    float * pV2 = vec2.ptr(0);
    float sum = 0.0f;
    for (size_t c = 0; c < vec1.cols; c++)
    {
        sum += pV1[c] * pV2[c];            
    }
    return sum;
}

int main(int argc, char ** argv)
{

    Mat vec1(1, 16*1024*1024, CV_32FC1);
    Mat vec2(1, 16*1024*1024, CV_32FC1);

    vec1.ptr(0)[2]=3.3f;
    vec2.ptr(0)[2]=2.0f;

    double t = 0.0;
    t = (double)getTickCount();

    float sum = dotproduct_c_float(vec1, vec2);

    t = ((double)getTickCount() - t) / (double)getTickFrequency() * 1000; 
    printf("C time = %gms/n", t);
    printf("sum=%g/n", sum);

    return 0;
}

dotproduct-simd.cpp如下：

#include 
#include 
#include 
using namespace cv;

float dotproduct_simd_float(Mat vec1, Mat vec2)
{
    float * pV1 = vec1.ptr(0);
    float * pV2 = vec2.ptr(0);
    size_t step = sizeof(v_float32)/sizeof(float);

    //向量元素全部初始化為零
    v_float32 v_sum = vx_setzero_f32();
    for (size_t c = 0; c < vec1.cols; c+=step)
    {
        v_float32 v1 = vx_load(pV1+c);
        v_float32 v2 = vx_load(pV2+c);
        //把乘積累加
        v_sum += v1 * v2; 
    }
    //把向量里的所有元素求和
    float sum = v_reduce_sum(v_sum);

    return sum;
}

int main(int argc, char ** argv)
{

    Mat vec1(1, 16*1024*1024, CV_32FC1);
    Mat vec2(1, 16*1024*1024, CV_32FC1);

    vec1.ptr(0)[2]=3.3f;
    vec2.ptr(0)[2]=2.0f;

    double t = 0.0;
    t = (double)getTickCount();

    float sum = dotproduct_simd_float(vec1, vec2);

    t = ((double)getTickCount() - t) / (double)getTickFrequency() * 1000; 
    printf("SIMD time = %gms/n", t);

    printf("sum=%g/n", sum);

    return 0;
}

OpenCV中國(guó)團(tuán)隊(duì)由深圳市人工智能與機(jī)器人研究院支持，是一個(gè)非營(yíng)利的開(kāi)源團(tuán)隊(duì)，致力于OpenCV的開(kāi)發(fā)、維護(hù)和推廣工作。

獲取OpenCV最新動(dòng)態(tài)，長(zhǎng)按下方二維碼關(guān)注

本文轉(zhuǎn)載自公眾號(hào)： OpenCV團(tuán)隊(duì)

審核編輯 黃昊宇