<div dir="ltr">Hi Jean-Marc,<div><br></div><div>Thanks!</div><div><br></div><div>Please find the 2 updated patches which only optimize stride 2 case and keep the bit exactness. They have passed our internal tests as usual.</div><div><br></div><div>Thanks,</div><div>Linfeng</div></div><div class="gmail_extra"><br><div class="gmail_quote">On Mon, May 15, 2017 at 9:36 AM, Jean-Marc Valin <span dir="ltr"><<a href="mailto:jmvalin@jmvalin.ca" target="_blank">jmvalin@jmvalin.ca</a>></span> wrote:<br><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">Hi Linfeng,<br>
<br>
Sorry for the delay -- I was actually trying to think of the best option<br>
here. For now, my preference would be to keep things bit-exact, but<br>
should there be more similar optimizations relying on 64-bit<br>
multiplication results, then we could consider having a special option<br>
to enable those (even in C).<br>
<br>
Cheers,<br>
<br>
        Jean-Marc<br>
<span class="im HOEnZb"><br>
On 08/05/17 12:12 PM, Linfeng Zhang wrote:<br>
> Ping for comments.<br>
><br>
> Thanks,<br>
> Linfeng<br>
><br>
> On Wed, Apr 26, 2017 at 2:15 PM, Linfeng Zhang <<a href="mailto:linfengz@google.com">linfengz@google.com</a><br>
</span><span class="im HOEnZb">> <mailto:<a href="mailto:linfengz@google.com">linfengz@google.com</a>>> wrote:<br>
><br>
>     On Tue, Apr 25, 2017 at 10:31 PM, Jean-Marc Valin<br>
</span><div class="HOEnZb"><div class="h5">>     <<a href="mailto:jmvalin@jmvalin.ca">jmvalin@jmvalin.ca</a> <mailto:<a href="mailto:jmvalin@jmvalin.ca">jmvalin@jmvalin.ca</a>>> wrote:<br>
><br>
><br>
>         > A_Q28 is split to 2 14-bit (or 16-bit, whatever) integers, to make the<br>
>         > multiplication operation within 32-bits. NEON can do 32-bit x 32-bit =<br>
>         > 64-bit using 'int64x2_t vmull_s32(int32x2_t a, int32x2_t b)', and it<br>
>         > could possibly be faster and less rounding/shifting errors than above C<br>
>         > code. But it may increase difficulties for other CPUs not supporting<br>
>         > 32-bit multiplication.<br>
><br>
>         OK, so I'm not totally opposed to that, but it increases the<br>
>         testing/maintenance cost so it needs to be worth it. So the<br>
>         question is<br>
>         how much speedup can you get and how close you can make the<br>
>         result to<br>
>         the original function. If you can make the output be always<br>
>         within one<br>
>         of two LSBs of the C version, then the asm check can simply be a<br>
>         little<br>
>         bit more lax than usual. Otherwise it becomes more complicated. This<br>
>         isn't a function that scares me too much about going<br>
>         non-bitexact, but<br>
>         it's also not one of the big complexity costs either. In any<br>
>         case, let<br>
>         me know what you find.<br>
><br>
><br>
>     Tested the proposed NEON optimization change, it can increase the<br>
>     whole encoder speed by about 1% at Complexity 8 and 10 for stride =<br>
>     2 (compared to the NEON optimization in the previous patch), and<br>
>     0.7% at Complexity 8 and 1.1% at Complexity 10 for stride = 1<br>
>     (compared to the original C code).<br>
><br>
>     Unfortunately, the truncating difference accumulates in S[] and its<br>
>     difference cannot be easily bounded. The difference in out[] may<br>
>     somehow be bounded to 5 in my quick testing, but is not guaranteed<br>
>     to other inputs. So maybe comparing bit exactness with the<br>
>     following silk_biquad_alt_c_<wbr>MulSingleAQ28() is better.<br>
><br>
>     Please let me know the decision (whether keeping the original NEON<br>
>     (stride 2 only) or choosing the new NEON (both stride 1 and 2) which<br>
>     optimizes following silk_biquad_alt_c_<wbr>MulSingleAQ28()), and I'll<br>
>     wrap up the patch.<br>
><br>
>     Here attached the corresponding C<br>
>     code silk_biquad_alt_c_<wbr>MulSingleAQ28() for your information. It uses<br>
>     64-bit multiplications and is about 0.6% - 0.9% slower (for the<br>
>     whole encoder) than the original C code using 32-bit multiplications<br>
>     (for both strides and the same stride 2 unrolling).<br>
><br>
>     void silk_biquad_alt_c_<wbr>MulSingleAQ28(<br>
>         const opus_int16            *in,                /* I     input<br>
>     signal                                               */<br>
>         const opus_int32            *B_Q28,             /* I     MA<br>
>     coefficients [3]                                        */<br>
>         const opus_int32            *A_Q28,             /* I     AR<br>
>     coefficients [2]                                        */<br>
>         opus_int32                  *S,                 /* I/O   State<br>
>     vector [2*stride]                                    */<br>
>         opus_int16                  *out,               /* O     output<br>
>     signal                                              */<br>
>         const opus_int32            len,                /* I     signal<br>
>     length (must be even)                               */<br>
>         opus_int                    stride              /* I     Operate<br>
>     on interleaved signal if > 1                       */<br>
>     )<br>
>     {<br>
>         /* DIRECT FORM II TRANSPOSED (uses 2 element state vector) */<br>
>         opus_int   k;<br>
><br>
>         silk_assert( ( stride == 1 ) || ( stride == 2 ) );<br>
><br>
>         if( stride == 1) {<br>
>             opus_int32 out32_Q14;<br>
>             for( k = 0; k < len; k++ ) {<br>
>                 /* S[ 0 ], S[ 1 ]: Q12 */<br>
>                 out32_Q14 = silk_LSHIFT( silk_SMLAWB( S[ 0 ], B_Q28[ 0<br>
>     ], in[ k ] ), 2 );<br>
><br>
>                 S[ 0 ] = S[ 1 ] + silk_RSHIFT_ROUND(<br>
>     (opus_int64)out32_Q14 * (-A_Q28[ 0 ]), 30 );<br>
>                 S[ 0 ] = silk_SMLAWB( S[ 0 ], B_Q28[ 1 ], in[ k ] );<br>
><br>
>                 S[ 1 ] = silk_RSHIFT_ROUND( (opus_int64)out32_Q14 *<br>
>     (-A_Q28[ 1 ]) , 30 );<br>
>                 S[ 1 ] = silk_SMLAWB( S[ 1 ], B_Q28[ 2 ], in[ k ] );<br>
><br>
>                 /* Scale back to Q0 and saturate */<br>
>                 out[ k ] = (opus_int16)silk_SAT16( silk_RSHIFT(<br>
>     out32_Q14 + (1<<14) - 1, 14 ) );<br>
>             }<br>
>         } else {<br>
>             opus_int32 out32_Q14[ 2 ];<br>
>             for( k = 0; k < len; k++ ) {<br>
>                 /* S[ 0 ], S[ 1 ]: Q12 */<br>
>                 out32_Q14[ 0 ] = silk_LSHIFT( silk_SMLAWB( S[ 0 ],<br>
>     B_Q28[ 0 ], in[ k * 2 + 0 ] ), 2 );<br>
>                 out32_Q14[ 1 ] = silk_LSHIFT( silk_SMLAWB( S[ 2 ],<br>
>     B_Q28[ 0 ], in[ k * 2 + 1 ] ), 2 );<br>
><br>
>                 S[ 0 ] = S[ 1 ] + silk_RSHIFT_ROUND(<br>
>     (opus_int64)out32_Q14[ 0 ] * (-A_Q28[ 0 ]), 30 );<br>
>                 S[ 2 ] = S[ 3 ] + silk_RSHIFT_ROUND(<br>
>     (opus_int64)out32_Q14[ 1 ] * (-A_Q28[ 0 ]), 30 );<br>
>                 S[ 0 ] = silk_SMLAWB( S[ 0 ], B_Q28[ 1 ], in[ k * 2 + 0 ] );<br>
>                 S[ 2 ] = silk_SMLAWB( S[ 2 ], B_Q28[ 1 ], in[ k * 2 + 1 ] );<br>
><br>
>                 S[ 1 ] = silk_RSHIFT_ROUND( (opus_int64)out32_Q14[ 0 ] *<br>
>     (-A_Q28[ 1 ]), 30 );<br>
>                 S[ 3 ] = silk_RSHIFT_ROUND( (opus_int64)out32_Q14[ 1 ] *<br>
>     (-A_Q28[ 1 ]), 30 );<br>
>                 S[ 1 ] = silk_SMLAWB( S[ 1 ], B_Q28[ 2 ], in[ k * 2 + 0 ] );<br>
>                 S[ 3 ] = silk_SMLAWB( S[ 3 ], B_Q28[ 2 ], in[ k * 2 + 1 ] );<br>
><br>
>                 /* Scale back to Q0 and saturate */<br>
>                 out[ k * 2 + 0 ] = (opus_int16)silk_SAT16( silk_RSHIFT(<br>
>     out32_Q14[ 0 ] + (1<<14) - 1, 14 ) );<br>
>                 out[ k * 2 + 1 ] = (opus_int16)silk_SAT16( silk_RSHIFT(<br>
>     out32_Q14[ 1 ] + (1<<14) - 1, 14 ) );<br>
>             }<br>
>         }<br>
>     }<br>
><br>
>     Here is the NEON kernels which uses vqrdmulh_lane_s32() to do the<br>
>     multiplication and rounding, where A_Q28_s32x{2,4} stores doubled<br>
>     -A_Q28[]:<br>
><br>
>     static inline void silk_biquad_alt_stride1_<wbr>kernel(const int32x2_t<br>
>     A_Q28_s32x2, const int32x4_t t_s32x4, int32x2_t *S_s32x2, int32x2_t<br>
>     *out32_Q14_s32x2)<br>
>     {<br>
>         int32x2_t t_s32x2;<br>
><br>
>         *out32_Q14_s32x2 = vadd_s32(*S_s32x2, vget_low_s32(t_s32x4));<br>
>                              /* silk_SMLAWB( S[ 0 ], B_Q28[ 0 ], in[ k ]<br>
>     )                                */<br>
>         *S_s32x2         =<br>
>     vreinterpret_s32_u64(vshr_n_<wbr>u64(vreinterpret_u64_s32(*S_<wbr>s32x2),<br>
>     32)); /* S[ 0 ] = S[ 1 ]; S[ 1 ] = 0;<br>
>                    */<br>
>         *out32_Q14_s32x2 = vshl_n_s32(*out32_Q14_s32x2, 2);<br>
>                              /* out32_Q14 = silk_LSHIFT( silk_SMLAWB( S[<br>
>     0 ], B_Q28[ 0 ], in[ k ] ), 2 ); */<br>
>         t_s32x2          = vqrdmulh_lane_s32(A_Q28_s32x2,<br>
>     *out32_Q14_s32x2, 0);                  /* silk_RSHIFT_ROUND(<br>
>     (opus_int64)out32_Q14 * (-A_Q28[ {0,1} ]), 30 )        */<br>
>         *S_s32x2         = vadd_s32(*S_s32x2, t_s32x2);<br>
>                              /* S[ {0,1} ] = {S[ 1 ],0} +<br>
>     silk_RSHIFT_ROUND( );                           */<br>
>         *S_s32x2         = vadd_s32(*S_s32x2, vget_high_s32(t_s32x4));<br>
>                             /* S[ {0,1} ] = silk_SMLAWB( S[ {0,1} ],<br>
>     B_Q28[ {1,2} ], in[ k ] );          */<br>
>     }<br>
><br>
>     static inline void silk_biquad_alt_stride2_<wbr>kernel(const int32x4_t<br>
>     A_Q28_s32x4, const int32x4_t B_Q28_s32x4, const int32x2_t t_s32x2,<br>
>     const int32x4_t inval_s32x4, int32x4_t *S_s32x4, int32x2_t<br>
>     *out32_Q14_s32x2)<br>
>     {<br>
>         int32x4_t t_s32x4, out32_Q14_s32x4;<br>
><br>
>         *out32_Q14_s32x2 = vadd_s32(vget_low_s32(*S_<wbr>s32x4), t_s32x2);<br>
>              /* silk_SMLAWB( S{0,1}, B_Q28[ 0 ], in[ k * 2 + {0,1} ] )<br>
>                                         */<br>
>         *S_s32x4         = vcombine_s32(vget_high_s32(*S_<wbr>s32x4),<br>
>     vdup_n_s32(0)); /* S{0,1} = S{2,3}; S{2,3} = 0;<br>
>                                                 */<br>
>         *out32_Q14_s32x2 = vshl_n_s32(*out32_Q14_s32x2, 2);<br>
>              /* out32_Q14_{0,1} = silk_LSHIFT( silk_SMLAWB( S{0,1},<br>
>     B_Q28[ 0 ], in[ k * 2 + {0,1} ] ), 2 );  */<br>
>         out32_Q14_s32x4  = vcombine_s32(*out32_Q14_s32x2,<br>
>     *out32_Q14_s32x2);     /* out32_Q14_{0,1,0,1}<br>
>                                                        */<br>
>         t_s32x4          = vqrdmulhq_s32(out32_Q14_s32x4, A_Q28_s32x4);<br>
>              /* silk_RSHIFT_ROUND( (opus_int64)out32_Q14[ {0,1,0,1} ] *<br>
>     (-A_Q28[ {0,0,1,1} ]), 30 )          */<br>
>         *S_s32x4         = vaddq_s32(*S_s32x4, t_s32x4);<br>
>             /* S[ {0,1,2,3} ] = {S[ {2,3} ],0,0} + silk_RSHIFT_ROUND( );<br>
>                                        */<br>
>         t_s32x4          = vqdmulhq_s32(inval_s32x4, B_Q28_s32x4);<br>
>             /* silk_SMULWB(B_Q28[ {1,1,2,2} ], in[ k * 2 + {0,1,0,1} ] )<br>
>                                        */<br>
>         *S_s32x4         = vaddq_s32(*S_s32x4, t_s32x4);<br>
>             /* S[ {0,1,2,3} ] = silk_SMLAWB( S[ {0,1,2,3} ], B_Q28[<br>
>     {1,1,2,2} ], in[ k * 2 + {0,1,0,1} ] ); */<br>
>     }<br>
><br>
>     Thanks,<br>
>     Linfeng<br>
><br>
><br>
</div></div></blockquote></div><br></div>