转自嵌入式IoT公众号
https://mp.weixin.qq.com/s/N3bkMyJwc4HWI_M1Docghg
D1 riscv芯片上运行rt-thread进行RVV性能评估
- 概述
- rt-thread在D1芯片上的移植
- 如何开启D1&&D1s的rvv扩展
- RVV性能对比评估
- RVV在RTOS如何使用的更好
概述
D1 && D1s(f133)采用的是平头哥C906的core，上面已经支持了RVV 0.7.1版本，虽然目前RVV1.0已经frozen,这就意味着上游编译器或者一些相关的生态软件将支持RVV1.0，但是作为性能评估RVV0.7.1与RVV1.0影响并不大。下面的文章主要描述如何在D1 && D1s芯片上运行rt-thread，并且描述如何开启RVV，同时对RVV性能进行一个简单的评估，最后讨论RVV如何与RTOS使用的问题。
rt-thread在D1芯片上的移植
目前D1s有64MB的内置DDR2，这非常适合运行RTOS，所以将rtos移植到D1s上是非常不错的选择。
其移植的细节不详细介绍，可以查看源代码
https://github.com/bigmagic123/d1-nezha-rtthread
移植的难点在于：
1.启动，从芯片上电启动入口处跳转到rt-thread入口处的汇编代码
2.硬件串口的初始化，这里会涉及到时钟配置
3.tick时钟中断，目前采用的是riscv的通用timer,需要配置clic
4.任务切换和上下文的保存与恢复，这部分需要对入栈出栈的顺序十分的清晰
5.串口中断，这里需要弄清楚plic中断处理机制
解决上述问题，移植rt-thread将非常的简单，当前的rt-thread运行在M-mode，具有比较高的权限，可以随意操作寄存器进行配置。
编译与运行在windows和Linux上均可操作，主要参考如下的文档：
https://github.com/bigmagic123/d1-nezha-rtthread/blob/main/README.md
目前已经实现的功能有：
1.timer
2.uart
3.gpio
4.vector
5.FPU
如何开启D1&&D1s的rvv扩展
想要使用RVV功能，需要开启VS标志位，该位位于
VS位于MSTATUS寄存器的23到24位。但是需要注意的是，当使用RVV时，需要开启浮点寄存器（FS），不然会报错。
这部分在rt-thread的体现是在上下文切换的时候，需要将使用RVV的线程的MSTATUS设置成开启VS的模式。
可以VS设置b01。
只有当使能该位，才能正常使用RVV指令，不然运行会直接报错。
接着，编译选项中还需要添加成如下选项
-march=rv64gcvxtheadc -mabi=lp64d -mtune=c906
这样才能告诉编译器支持RVV指令。
RVV性能对比评估
riscv 的RVV其编程模型主要有两种方式，第一种采用rvv-intrinsic。这就是在编译器中进行intrinsic函数的构建，可以将相关的rvv操作变成编辑器的内置函数。采用类似下面的函数方式进行编程。
vint8mf8_t vcopy_v_i8mf8 (vint8mf8_t src);
vint8mf4_t vcopy_v_i8mf4 (vint8mf4_t src);
...
其操作详情可以参考：
https://github.com/riscv-non-isa/rvv-intrinsic-doc/
本质上就是将复杂的汇编代码操作换成C语言函数的形式，这种方式可读性更强。rvv1.0后面也会提供这一种方式进行。
第二种就是采用汇编进行操作，裸写汇编代码的难度很大，但是可以实现比较好的优化，这特别是在关键耗时的操作上进行汇编级别的优化，可以很大程度上提升程序运行的性能。
在平头哥开源出来的GCC工具链中，并没有rvv-intrinsic功能，所以只能通过汇编函数的方式进行操作。
平头哥开源出来了一个神经网络的库，里面有C906的RVV底层操作。
https://github.com/T-head-Semi/csi-nn2
实现了一些基本的操作，抽象了各种常用的网络层的接口，并且提供一系列已优化的二进制库。
其主要的使用类似于CMSIS，Tensorflow等等。有了这些抽象接口，在使用RVV进行特定优化的时候，难度也会有所降低。
下面主要从csi-nn2抽取出vertor add， vertor mul，memcpy，也就是加法计算，乘法计算和内存拷贝，三个方面，对其性能进行评估。
https://github.com/bigmagic123/d1-nezha-rtthread/blob/main/bsp/d1-nezha/applications/vector.c
浮点数加法
采用向量操作
float a[10] = {1.2,1.3,1.4,1.5,1.6,1.7,1.8,2.0,2.1,2.2};
float b[10] = {1.2,1.3,1.4,1.5,1.6,1.7,1.8,2.0,2.1,2.2};
float c[10];
element_mul_f32(a, b, c, 10);
一次性处理10个元素，采用RVV向量的操作。
普通的加法
for(ii = 0; ii < 10; ii++)
{
d[ii] = a[ii] + b[ii];
}
单个元素相加。
分别计算30000次。
最后的结果如下：
采用向量加法只需要7ms，而直接相加，则消耗了36ms,性能相差5倍左右。
浮点数相乘
与加法操作类似，也是一次性处理10个元素
float a[10] = {1.2,1.3,1.4,1.5,1.6,1.7,1.8,2.0,2.1,2.2};
float b[10] = {1.2,1.3,1.4,1.5,1.6,1.7,1.8,2.0,2.1,2.2};
float c[10];
element_mul_f32(a, b, c, 10);
普通的乘法
for(ii = 0; ii < 10; ii++)
{
d[ii] = a[ii] * b[ii];
}
两者性能对比
向量乘法也比普通的乘法性能强大一些，接近5倍的差别。
内存拷贝
内存拷贝的测试方法是测试rt_memcpy,memcpy,csi_c906_memcpy。分别代表rt-thread内置的内存拷贝函数，采用C语言进行实现，memcpy是newlib库函数的实现，里面会对riscv架构进行优化处理，csi_c906_memcpy则是采用向量操作，进行内存拷贝。
测试是先申请1MB的目标内存，1MB的源内存，往源内存中写随机数。
拷贝源内存中的数据到目标内存，拷贝100次，也就是100M的内存拷贝数据量。
结果如下：
显然，内存拷贝操作newlib中的memcpy性能是最佳的，而向量操作的memcpy反而其次，最差的是rt-thread的rt_memcpy。这里的原因是newlib的memcpy的是经过优化后的，而vector memcpy也可能是优化的不好导致性能与newlib的memcpy相当。rt-thread采用纯C语言实现，其通用性比较好，但是性能不佳。
RVV在RTOS如何使用的更好
这是一个关于更好的在RTOS上使用RVV的问题，由于RTOS是为了追求实时性，一般来说，开启了FPU和RVV后，其寄存器的数量会非常的多，每次入栈和出栈的操作，如果每次都将全部的寄存器压入和弹出，将会让切换任务的时间变长，影响了系统的实时性。对于这种情况，其实可以利用mstatus中的VS和FS的标志位进行判断。
在切换任务时，可以通过这些标识，选择是否压栈和出栈，这样保证了一部分性能实时性的情况下，也可以很好的处理FPU和RVV。
