Update ARM_NEON_CNN编程.md

CNN/HighPerformanceComputing/ARM_NEON_CNN编程.md

@@ -36,6 +36,8 @@ Intrinsics(内联函数)是使用C语言的方式对NEON寄存器进行操作，
 
 NEON C内联函数（intrinsics）是由ARM定义的一组全新的数据类型和内联函数，便于使用C语言直接访问NEON单元。在C/C++程序中，内联函数就同普通函数一样，但在编译时，这些内联函数会直接映射为NEON提供的向量指令。当前GCC编译器和ARM编译器都支持相同的NEON内联语法，只需在程序中添加“arm_neon.h”头文件，就可以使用NEON内联函数。
 
+[ARM NEON常用 intrinsics 函数总结 !!!!](https://blog.csdn.net/may0324/article/details/72847800)
+
 **优势**：使用内联函数进行优化，开发人员无需关注寄存器分配和互锁等问题，这些都交由编译器处理，而且编写程序比较容易，优化后的性能相对较高。
 
 **不足**：目前内联函数所提供的功能和灵活性仍远远比不上汇编指令，并且经过编译器编译后，会反复加载／存取寄存器数据，导致系统时钟的浪费。 
@@ -1128,8 +1130,108 @@ uint64x2_t vabdl_u32(uint32x2_t a, uint32x2_t b); // VABDL.U32 q0,d0,d0
 >**加载并存储单个向量 加载并存储某类型的单个向量。vld1q_type**
 ```c
 
+```
+### 实例0：数组元素求和
+```c
+// c版本=======================
+#include <iostream>
+using namespace std;
+
+float sum_array(float *arr, int len)
+{
+    if(NULL == arr || len < 1)
+    {
+        cout<<"input error\n";
+        return 0;
+    }
+    float sum(0.0);
+    for(int i=0; i<len; ++i)
+    {
+        sum += *arr++;
+    }
+    return sum;
+}
+
+
+// arm intrinsics==============
+#include <iostream>
+#include <arm_neon.h> //需包含的头文件
+using namespace std;
+
+float sum_array(float *arr, int len)
+{
+    if(NULL == arr || len < 1)
+    {
+        cout<<"input error\n";
+        return 0;
+    }
+
+    int dim4 = len >> 2; // 数组长度除4整数
+    int left4 = len & 3; // 数组长度除4余数,不够4的剩下的
+
+    float32x4_t sum_vec = vdupq_n_f32(0.0);//定义用于暂存累加结果的寄存器且初始化为0
+    for (; dim4>0; dim4--, arr+=4) //每次同时访问4个数组元素
+    {
+        float32x4_t data_vec = vld1q_f32(arr); //依次取4个元素存入寄存器vec
+        sum_vec = vaddq_f32(sum_vec, data_vec);//ri = ai + bi 计算两组寄存器对应元素之和并存放到相应结果
+    }
+    float sum = vgetq_lane_f32(sum_vec, 0)+vgetq_lane_f32(sum_vec, 1)+vgetq_lane_f32(sum_vec, 2)+vgetq_lane_f32(sum_vec, 3);//将累加结果寄存器中的所有元素相加得到最终累加值
+    for (; left4>0; left4--, arr++)
+        sum += (*arr) ;   //对于剩下的少于4的数字，依次计算累加即可
+    return sum;
+}
+```
+
+上述算法的时间复杂度时O(N/4) 
+从上面的例子看出，使用NEON函数很简单，只需要将依次处理，变为批处理（如上面的每次处理4个）。
+
+上面用到的函数有： 
+float32x4_t vdupq_n_f32 (float32_t value) 
+将value复制4分存到返回的寄存器中
+
+float32x4_t vld1q_f32 (float32_t const * ptr) 
+从数组中依次Load4个元素存到寄存器中
+
+相应的 有void vst1q_f32 (float32_t * ptr, float32x4_t val) 
+将寄存器中的值写入数组中
+
+float32x4_t vaddq_f32 (float32x4_t a, float32x4_t b) 
+返回两个寄存器对应元素之和 r = a+b
+
+相应的 有float32x4_t vsubq_f32 (float32x4_t a, float32x4_t b) 
+返回两个寄存器对应元素之差 r = a-b
+
+float32_t vgetq_lane_f32 (float32x4_t v, const int lane) 
+返回寄存器某一lane的值
+
+其他常用的函数还有：
+
+float32x4_t vmulq_f32 (float32x4_t a, float32x4_t b) 
+返回两个寄存器对应元素之积 r = a*b
+
+float32x4_t vmlaq_f32 (float32x4_t a, float32x4_t b, float32x4_t c) 
+乘加 r = a +b*c
+
+float32x4_t vextq_f32 (float32x4_t a, float32x4_t b, const int n) 
+拼接两个寄存器并返回从第n位开始的大小为4的寄存器 0<=n<=3 
+例如 
+
+	a: 1 2 3 4 
+	b: 5 6 7 8 
+	vextq_f32(a,b,1) -> r: 2 3 4 5 
+	vextq_f32(a,b,2) -> r: 3 4 5 6 
+	vextq_f32(a,b,3) -> r: 4 5 6 7
+	
+```c
+float32x4_t sum = vdupq_n_f32(0);
+float _a[] = {1,2,3,4}, _b[] = {5,6,7,8} ;
+float32x4_t a = vld1q_f32(_a), b = vld1q_f32(_b)  ;
+float32x4_t sum1 = vfmaq_laneq_f32(sum, a, b, 0);
+float32x4_t sum2 = vfmaq_laneq_f32(sum1, a, b, 1);
+float32x4_t sum3 = vfmaq_laneq_f32(sum2, a, b, 2);
 ```
 
+[官方文档 其他常用函数](https://developer.arm.com/architectures/instruction-sets/simd-isas/neon/intrinsics)
 
 ### 示例1：向量加法**
 ```c