http://blog.csdn.net/chshplp_liaoping/article/details/12752749
在移動平臺上進行一些複雜算法的開發，一般需要用到指令集來進行加速。目前在移動上使用最多的是ARM芯片。
ARM是微處理器行業的一家知名企業，其芯片結構有：armv5、armv6、armv7和armv8系列。芯片類型有：arm7、arm9、arm11、cortex系列。指令集有：armv5、armv6和neon指令。關於ARM到知識參考：http://baike.baidu.com/view/11200.htm
最初的ARM指令集爲通用計算型指令集，指令集都是針對單個數據進行計算，沒有並行計算到功能。隨着版本的更新，後面逐漸加入了一些複雜到指令以及並行計算到指令。而NEON指令是專門針對大規模到並行運算而設計的。
NEON 技術可加速多媒體和信號處理算法（如視頻編碼/解碼、2D/3D 圖形、遊戲、音頻和語音處理、圖像處理技術、電話和聲音合成），其性能至少爲ARMv5 性能的3倍，爲 ARMv6 SIMD性能的2倍。
關於SIMD和SISD：Single Instruction Multiple Data，單指令多數據流。反之SISD是單指令單數據。以加法指令爲例，單指令單數據（SISD）的CPU對加法指令譯碼後，執行部件先訪問內存，取得第一個操作數；之後再一次訪問內存，取得第二個操作數；隨後才能進行求和運算。而在SIMD型的CPU中，指令譯碼後幾個執行部件同時訪問內存，一次性獲得所有操作數進行運算。這個特點使SIMD特別適合於多媒體應用等數據密集型運算。如下圖所示：
如何才能快速到寫出高效的指令代碼？這就需要對各個指令比較熟悉，知道各個指令的使用規範和使用場合。
ARM指令有16個32位通用寄存器，爲r0-r15，其中r13爲堆棧指針寄存器，r15爲指令計算寄存器。實際可以使用的寄存器只有14個。r0-r3一般作爲函數參數使用，函數返回值放在r0中。若函數參數超過4個，超過到參數壓入堆棧。
有效立即數的概念：每個立即數採用一個8位的常數(bit[7:0])循環右移偶數位而間接得到，其中循環右移的位數由一個4位二進制(bit[11:8] )的兩倍表示。如果立即數記作<immediate> , 8位常數記作immed_8 , 4位的循環右移值記作rotate_imm ,有效的立即數是由一個8位的立即數循環右移偶數位得到，可以表示成：
<immediate>=immed_8循環右移( 2×rotate_imm)
如：mov r4 , #0x8000 000A #0x8000 000A 由0xA8循環右移0x2位得到。
下面介紹一些比較常用到一些指令。
內存訪問指令：
LDR和STR，有三種方式，比較容易搞混
LDR r0, [r1, #4] r0 := mem[r1+4] ，#4是直接偏移量，這時候只能在正負4Kb到範圍內。也可以是寄存器偏移，用+/-表示。記住r1不進行偏移。
LDR r0, [r1, #4]! r0 :=mem[r1+4]，r1 := r1 + 4，取值是取偏移量到值，並且r1進行偏移。
LDR r0, [r1], #4 r0 :=mem[r1] ，r1 := r1 +4，取值是取r1地方到值，取值後進行偏移。運算後自動加4，後變址。
另外：LDRB是無符號字節，SB是有符號字節，H無符號半字，SH有符號半字。
存儲器和寄存器數據交換：SWP，SWPB
如SWP r0, r1, [r2] r0 := mem[r2]，mem[r2] := r1
多寄存器數據傳輸：
LDMIA r1, {r0,r2,r5} r0 = mem[r1], r2 = mem[r1+4], r5=mem[r1+8]
通用數據處理指令
第二操作數，常用到有LSR，LSL等，如mov r1, r2, lsl #2 將r2左移2位然後賦值到r1中。
常用到操作有ADD、SUB、AND、ORR、EOR、BIC、ORN，如果加上了S則會更新條件標記。
MOV移動，MVN取反移動。MOV可以是R寄存器，立即數以及接第二操作數。
REV：在字或半字內反轉字節或位到順序
MUL、MLA和MLS，乘法、乘加和乘減。MLA R1，R2，R3，R4表示R1=R2*R3+R4，還有有符號和無符號乘法等。
跳轉指令
B：無條件跳轉，BL：帶鏈接到跳轉，BX跳轉並交換指令集等。
重點介紹一下NEON指令，目前使用較多。而且使用難度也較大，很多文檔上都沒有比較詳細到介紹，也沒有給出相應到例子或者圖示。
一、NEON基本知識
NEON的寄存器：
有16個128位四字到寄存器Q0-Q15，32個64位雙子寄存器D0-D31，兩個寄存器是重疊的，在使用到時候需要特別注意，不小心就會覆蓋掉。如下圖所示：
兩個寄存器的關係：Qn =D2n和D2n+1，如Q8是d16和d17的組合。
NEON的數據類型：
注意數據類型針對到時操作數，而不是目標數，這點在寫的時候要特別注意，很容易搞錯，尤其是對那些長指令寬指令的時候，因爲經常Q和D一起操作。
NEON中的正常指令、寬指令、窄指令、飽和指令、長指令
正常指令：生成大小相同且類型通常與操作數向量相同到結果向量
長指令：對雙字向量操作數執行運算，生產四字向量到結果。所生成的元素一般是操作數元素寬度到兩倍，並屬於同一類型。L標記，如VMOVL。
寬指令：一個雙字向量操作數和一個四字向量操作數執行運算，生成四字向量結果。W標記，如VADDW。
窄指令：四字向量操作數執行運算，並生成雙字向量結果，所生成的元素一般是操作數元素寬度的一半。N標記，如VMOVN。
飽和指令：當超過數據類型指定到範圍則自動限制在該範圍內。Q標記，如VQSHRUN
二、NEON指令
NEON指令較多，下面主要介紹一些常見的指令用法。
複製指令：
VMOV：
兩個arm寄存器和d之間
vmov d0, r0, r1：將r1的內容送到d0到低半部分，r0的內容送到d0到高半部分
vmov r0, r1, d0：將d0的低半部分送到r0，d0的高半部分內容送到r1
一個arm寄存器和d之間
vmov.U32 d0[0], r0：將r0的內容送到d0[0]中，d0[0]指d0到低32位
vmov.U32 r0, d0[0]：將d0[0]的內容送到r0中
立即數：
vmov.U16 d0, #1：將立即數1賦值給d0的每個16位
vmov.U32 q0, #1：將立即數1賦值給q0的每個32位
長指令：VMOVL：d賦值給q
vmovl.U16 q0, d0：將d0的每個16位數據賦值到q0的每個32位數據中
窄指令：VMOVN：q賦值給d
vmovn.I32 d0, q0：將q0的每32位數據賦值到q0的每16位數據中
飽和指令：VQMOVN等，飽和到指定的數據類型
vqmovun.S32 d0, q0：將q0到每個32位移動到d0中到每個16位中，範圍是0-65535
VDUP：
VDUP.8 d0, r0：將r0複製到d0中，8位
VDUP.16 q0, r0：將r0複製到q0中，16位
VDUP.32 q0, d2[0]：將d2的一半複製到q0中
VDUP.32 d0, d2[1]：將d2的一半複製到d0中
注意是vdup可以將r寄存器中的內容複製到整個neon寄存器中，不能將立即數進行vdup，立即數只能用vmov
邏輯運算：
VADD：按位與；VBIC：位清除；VEOR：按位異或；VORN：按位或非；VORR：按位或
移位指令：
VSHL：左移、VSHLL：左移擴展、VQSHL：左移飽和、VQSHLU：無符號左移飽和擴展
VSHR：右移、VSHRN：右移窄、VRSHR：右移舍入、VQSHRUN：無符號右移飽和舍入
通用算術指令：
VABA：絕對值累加、VABD：絕對值相加、VABS：絕對值、VNEG：求反、VADD、VADDW、VADDL、VSUB、VSUBL、VSUBW：加減
VPADD：將兩個向量的相鄰元素相加
如VPADD.I16 {d2}, d0, d1
VPADDL：VPADDL.S16 d0, d1
VMAX：最大值，VMIN：最小值
VMUL、VMULL、VMLA（乘加）、VMLS（乘減）、
加載存儲指令：
VLD和VST
交叉存取的示意圖：
VREV反轉元素指令：
VEXT移位指令：
VTRN轉置指令：可以用於矩陣的轉置
VZIP指令：壓縮，類似交叉存取
VUZP指令：解壓操作，類似交叉存取
VTBL查表指令：從d0，d1中查找d3中的索引值，如果找到則取出，沒有找到則爲0，存入d2中
三、需要注意的地方
load數據的時候，第一次load會把數據放在cache裏面，只要不超過cache的大小，下一次load同樣數據的時候，則會比第一次load要快很多，會直接從cache中load數據，這樣在彙編程序設計的時候是非常需要考慮的問題。
如：求取一個圖像的均值，8*8的窗口，先行求和，然後列求和出來均值，這時候會有兩個函數，數據會加載兩遍，如果按照這樣去優化的話則優化不了多少。如果換成上面這種思路，先做行16行，然後再做列，這樣數據都在cache裏面，做列的時候load數據會很快。
在做neon乘法指令的時候會有大約2個clock的阻塞時間，如果你要立即使用乘法的結果，則就會阻塞在這裏，在寫neon指令的時候需要特別注意。乘法的結果不能立即使用，可以將一些其他的操作插入到乘法後面而不會有時間的消耗。
如：vmul.u16 q1, d3, d4
vadd.u32 q1, q2, q3
此時直接使用乘法的結果q1則會阻塞，執行vadd需要再等待2個clock的時間
使用飽和指令的時候，如乘法飽和的時候，在做乘法後會再去做一次飽和，所以時間要比直接做乘法要慢。
如： vmul.u16 q1, d3, d4
vqmul.u32 q1, q2, q3
後一個的時間要比第一個的時間要久。
在對16位數據進行load或者store操作的時候，需要注意的是字節移位。比如是16位數據，則load 8個16位數據，如果指定寄存器進行偏移，此時需要特別注意。
例如：vld1.64 {d0}, [r0], r1
參考資料：
http://blogs.arm.com/software-enablement/277-coding-for-neon-part-4-shifting-left-and-right/
http://blogs.arm.com/software-enablement/161-coding-for-neon-part-1-load-and-stores/
http://blogs.arm.com/software-enablement/684-coding-for-neon-part-5-rearranging-vectors/