核心代码如下：转置一个 4*4的矩阵，更大的矩阵（不能被4整除的需要特殊处理边界）都可以通过分块来进行转置
void transpose32x4x4(float32x4_t *q0, float32x4_t *q1, float32x4_t *q2, float32x4_t *q3) { // ---------------------------------------------- float32x4x2_t q01 = vtrnq_f32(*q0, *q1); float32x4x2_t q23 = vtrnq_f32(*q2, *q3); float32x4_t qq0 = q01.val[0]; float32x2_t d00 = vget_low_f32(qq0); float32x2_t d01 = vget_high_f32(qq0); float32x4_t qq1 = q01.val[1]; float32x2_t d10 = vget_low_f32(qq1); float32x2_t d11 = vget_high_f32(qq1); float32x4_t qq2 = q23.val[0]; float32x2_t d20 = vget_low_f32(qq2); float32x2_t d21 = vget_high_f32(qq2); float32x4_t qq3 = q23.val[1]; float32x2_t d30 = vget_low_f32(qq3); float32x2_t d31 = vget_high_f32(qq3); *q0 = vcombine_f32(d00, d20); *q1 = vcombine_f32(d10, d30); *q2 = vcombine_f32(d01, d21); *q3 = vcombine_f32(d11, d31); // ---------------------------------------------- }
q0-q3 在内存中的初始值如下图所示
经过 vtrn 操作后的结果为：
取低位和高位的结果为：
注意原始的4*4矩阵是
转置后应该为
所以，应该把 d00 和 d20 结合在一起，其他同理
最后验证一下转置的结果
int ret = 0; for(int i = 0; i<COLS; i++) { for(int j = 0; j<ROWS; j++) { ret = src[j*COLS + i] == dst[i*ROWS + j]; if(!ret) { LOGE("src[%d] != dst[%d] \t", j*COLS + i, i*ROWS + j); break; } } } if(ret) LOGE("Tranpose Correctly !\t");
如图所示，转置验证是正确的
1024*1024大小的矩阵， 大约提升了 42.7% 的性能
