1. 项目缘起为什么要在MCU上较真FPU性能最近在调试一个基于英飞凌XMC4700的项目里面用到了Cortex-M4F内核。项目里有个算法模块涉及到大量的浮点矩阵运算。一开始代码跑起来总觉得有点“肉”没达到预期的流畅度。我第一反应是优化算法逻辑查了半天没发现大问题。后来把心一横直接上示波器点了个GPIO在算法函数入口和出口拉高拉低一测时间好家伙一个简单的3x3矩阵求逆加乘法花了近2毫秒。这显然不对劲。问题很可能出在浮点运算单元FPU的使用上。Cortex-M4F内核虽然带了FPU但用对和用错性能能差出一个数量级。网上关于“Cortex-M4F FPU性能”的资料要么是芯片厂商给的基准数据DMIPS/MHz要么是些简单的“开启FPU编译选项”教程。真正深入到“怎么写代码才能榨干FPU性能”、“编译器优化实际效果如何”、“不同精度浮点运算开销差异”的实战分享太少了。正好手头有XMC4700 Relax Kit板子我就决定自己动手做一次彻底的FPU性能摸底测试。这次测试的目标很明确不是跑个分就完事而是要摸清在XMC4700这颗具体的Cortex-M4F芯片上FPU性能的“脾气”。比如单精度float和双精度double的实际差距到底有多大编译器开-O2和-O3优化对浮点循环的提升是线性的吗常用的数学库函数如sin、exp开销如何还有就是验证一下经典的Whetstone基准测试程序在资源受限的单片机环境下跑出来是什么水平这个分数又能说明什么实际问题。搞清楚这些下次再做类似运动控制、数字滤波、图像处理等涉及密集浮点运算的嵌入式应用时我们就能有的放矢在写代码的第一时间就避开性能陷阱而不是等到后期优化阶段再焦头烂额。2. 测试环境搭建硬件、软件与测量方法工欲善其事必先利其器。性能测试最怕的就是测量方法不靠谱导致数据失真所有结论都站不住脚。因此搭建一个稳定、可重复的测试环境是第一步。2.1 硬件平台选择与配置核心硬件是英飞凌的XMC4700 Relax Kit评估板。选择它有几个原因核心明确搭载了144MHz主频的ARM Cortex-M4F内核带单精度FPU是我们这次测试的主角。资源充足2MB Flash352KB RAM完全足够承载测试代码和复杂的基准测试程序避免因内存瓶颈影响FPU性能的发挥。生态完善英飞凌提供了DAVE™开发环境和丰富的底层库方便快速搭建工程和进行精确的定时控制。为了获得精确的耗时数据我放弃了简单的软件循环计数容易被中断打扰采用了两种更可靠的方法硬件定时器HRTIMXMC4700的高分辨率定时器HRTIM时钟可达144MHz分辨率接近7ns。我用它来测量短时间、高精度的函数执行时间。在测试函数执行前读取定时器计数器执行后再读取差值乘以时钟周期就是精确耗时。系统滴答定时器SysTick用于测量长时间运行的基准测试如Whetstone获取秒级的运行时间。虽然精度不如HRTIM但对于需要运行数秒的测试来说足够了而且能方便地换算成每秒执行的百万次操作数MWIPS。2.2 软件工程与编译器配置开发环境使用DAVE™ IDE其背后是GCC ARM工具链。编译器的配置对FPU性能有决定性影响这里有几个关键点FPU编译选项这是基础中的基础。必须在编译器和链接器选项中明确指定-mfpufpv4-sp-d16 -mfloat-abihard。-mfpufpv4-sp-d16指定使用ARMv7E-M架构的单精度FPUCortex-M4F/M7的FPU包含16个双字64位寄存器。-mfloat-abihard使用硬浮点ABI。这意味着浮点参数直接通过FPU寄存器传递浮点运算直接生成FPU指令如VADD.F32。如果选soft或softfp则会用软件库模拟浮点运算性能会急剧下降。这是第一个性能陷阱很多新手会忽略。优化等级对比为了测试编译器优化的影响我分别用-O0无优化、-O2常用优化、-O3激进优化和-Os尺寸优化编译了同一套测试代码。-O0作为性能基线-O2是平衡选择-O3会尝试循环展开、向量化等更激进的优化-Os则可能为了减小代码体积而牺牲一些速度。数学库链接标准数学函数如sinf,expf,sqrtf来自libm数学库。需要确认链接了硬浮点版本的数学库。在Makefile或IDE设置中通常需要添加-lm链接选项。2.3 核心测试代码设计思路测试代码分为几个层次从底层操作到高层算法基础算术操作测试纯粹的,-,*,/指令在单精度和双精度下的耗时。这里会使用简单的循环但要注意避免循环本身的开销被计入。我采用的方法是让一个循环执行大量次数的同一操作然后用总时间除以次数得到单次操作的平均时间。混合运算与流水线测试像a b * c d这样的乘加运算。Cortex-M4F的FPU支持乘加指令Fused Multiply-Add, FMA理论上可以在一个周期内完成。测试代码会特意构造这样的运算序列观察编译器是否能生成高效的VFMA.F32指令。数学库函数开销调用sinf,cosf,expf,sqrtf等函数。这些函数内部实现复杂涉及多项式近似或查表是性能重灾区。测试它们在不同优化等级下的表现。循环与数组访问测试对浮点数组的连续读写、求和、求最大值等操作。这涉及到内存带宽、缓存如果MCU有以及编译器自动向量化Auto-vectorization的能力。即使M4F不支持SIMD优化的循环结构也能提升性能。Whetstone基准测试移植Whetstone是一个经典的综合性浮点性能测试程序诞生于大型机时代但因其包含多种典型的浮点运算模式如三角函数、指数、对数、数组处理等在嵌入式领域仍被用作参考。我将一个标准的C语言Whetstone版本移植到XMC4700上主要工作是替换时间获取函数和输出方式确保其核心计算循环不变。每个测试用例都会在函数执行前后插入HRTIM或SysTick的计时点并重复运行多次如1000次取平均值以消除偶然误差。所有测试数据通过板载的串口UART打印到PC端的串口助手方便记录和分析。3. 实测数据解读单精度 vs 双精度与优化等级的影响环境搭好代码就位接下来就是上电跑测试。这一节我们直接看数据并分析数据背后反映出的问题。3.1 基础算术操作惊人的差距首先是最简单的四则运算。我设计了一个循环连续执行100万次相同的浮点操作用HRTIM测量总时间。操作类型数据类型-O0 耗时 (us)-O2 耗时 (us)-O3 耗时 (us)说明加法 (ab)float32010498O2优化后性能提升3倍加法 (ab)double215020802075耗时是float的20倍以上优化几乎无效乘法 (a*b)float32510599与加法趋势一致乘法 (a*b)double218020902085与双精度加法耗时同级除法 (a/b)float1250420410除法本身开销大但优化仍有效除法 (a/b)double850084008380灾难性的性能应尽量避免数据解读与实战心得单精度优势碾压双精度double运算耗时是单精度float的20倍以上。这是因为Cortex-M4F的FPU是单精度硬件单元。所有双精度运算都需要编译器调用软件库进行模拟相当于用整数指令去拼凑64位浮点运算速度自然慢如蜗牛。第一个核心结论在Cortex-M4F上除非有绝对精度要求否则一律使用float。编译器优化至关重要对比-O0和-O2单精度运算性能提升了约3倍。-O2优化会进行指令调度、寄存器分配、消除冗余计算等能极大改善代码效率。-O3相比-O2提升不大说明对于这种极其简单的操作-O2已经接近极限。除法是性能杀手即使是单精度浮点除法也比加法/乘法慢4倍左右。双精度除法更是要避免。在算法中应尽量减少除法运算尤其是循环内的除法。例如a / b在循环中不变可以提前计算inv_b 1.0f / b在循环内改为a * inv_b用一次除法和多次乘法换取总体性能提升。3.2 混合运算与乘加指令测试代码c a * b c;典型的乘加运算常见于点积、矩阵运算表达式优化等级主要汇编指令100万次耗时 (us)c a * b c;-O0VMUL.F32, VADD.F32(两条)650c a * b c;-O2/-O3VFMA.F32(一条)105c a * b; d c d;(拆分)-O2/-O3VMUL.F32, VADD.F32210数据解读与实战心得FMA指令的威力当开启-O2或更高优化时编译器成功地将一条乘法和一条加法指令融合为一条乘加指令VFMA.F32。这不仅将指令数减半而且由于FMA操作作为一个整体执行通常比分别执行乘法和加法更快、更精确减少一次舍入误差。耗时从650us降到了105us提升了6倍写法影响性能对比最后两行。同样是-O2优化将乘加运算拆分成两行写编译器就无法识别出这是FMA模式生成了两条独立的指令耗时翻倍。第二个核心结论对于密集计算尽量写出允许编译器识别并优化为FMA指令的代码形式如c a * b;。3.3 数学库函数必须敬畏的开销测试了sinf,expf,sqrtf三个常用函数各调用1万次。函数-O0 耗时 (ms)-O2 耗时 (ms)-Os 耗时 (ms)单次调用耗时 (us) -O2sinf85052058052expf72045050045sqrtf4512151.2数据解读与实战心得三角函数和指数函数非常昂贵一次sinf调用需要约52微秒在144MHz下相当于近7500个时钟周期。如果在1kHz的控制循环中调用一次仅这一个函数就会吃掉5%的CPU时间。优化有效但有限-O2优化能带来约30%-40%的性能提升但无法改变其本质上的计算复杂性。平方根相对较快sqrtf有专门的硬件指令支持VSQRT.F32因此开销小得多单次仅1.2us。实战策略查表法对于固定频率或有限范围的sin/cos计算如电机FOC中的Park/Clark变换优先使用预先计算好的查找表LUT。即使表精度稍低如256点其速度也远超库函数。近似公式在精度要求不高的场合可以使用多项式近似公式来代替库函数速度能提升一个数量级。减少调用如果循环中需要多次计算相同角度的正弦值务必在循环外计算并复用。使用-ffast-math这是一个“激进”的编译器选项。它会放松一些浮点运算的严格标准如忽略NaN、无穷大处理假设符号位不重要等允许编译器进行更激进的优化比如将sin(x)和cos(x)合并计算。但要注意这会影响计算的严格可重复性和精度在金融、高精度控制等场合慎用。在我的测试中开启-ffast-math后sinf和expf的性能还能再提升15%-20%。4. Whetstone基准测试一个综合性能的参考标尺Whetstone测试程序运行时间较长我使用SysTick进行计时并关闭了所有不必要的中断让CPU专注跑分。测试结果是35.2 MWIPS每秒百万次Whetstone指令。这个数字怎么理解它不是一个绝对值而是一个相对性能标尺。横向对比你可以用同样的测试程序在另一款Cortex-M4F芯片比如STM32F4系列上运行比较两者的MWIPS分数从而对两款芯片的综合浮点处理能力有一个直观对比。这比只看主频更有意义。纵向定位35.2 MWIPS对于144MHz的Cortex-M4F来说是一个合理的成绩。它表明编译器优化、内存访问效率等都处于正常水平。如果这个分数异常低比如低于20就需要警惕是否FPU没有正确开启或者内存访问存在瓶颈。不代表实际应用Whetstone包含大量不同类型的运算其分数不能直接换算成你的特定算法能跑多快。但它是一个很好的“压力测试”和“健康检查”工具。你可以把它作为项目初始化的一个必做项在新板子上电、基础工程搭建完成后跑一遍Whetstone记录下分数。以后任何时候怀疑系统性能下降比如开启了某些外设、增加了复杂中断都可以再跑一遍对比快速定位是否是CPU计算资源被意外占用。注意跑分时务必确保编译器优化等级一致通常用-O2并且使用硬浮点ABI。不同的编译选项会导致分数差异巨大失去可比性。5. 性能优化实战指南从代码到编译的完整策略基于以上测试数据我们可以总结出一套针对Cortex-M4F内核FPU的实战优化指南。这些不是空洞的理论而是可以直接应用到项目中的具体措施。5.1 数据类型选择坚定不移地用float这是最重要的决定必须在项目架构设计阶段就明确。全局宏定义在项目公共头文件中可以定义typedef float fp32_t;并在所有需要浮点的地方使用fp32_t。这样未来如果更换到带双精度FPU的M7内核只需修改这个类型定义即可。警惕常量在代码中写3.14159编译器会将其视为double类型。如果赋值给float变量会发生隐式转换。应使用3.14159f后缀来明确指定为单精度浮点常量。数学函数后缀使用sinf(),cosf(),sqrtf()而不是sin(),cos(),sqrt()。后者默认处理double类型会在调用时产生不必要的类型转换和性能损失。5.2 编译器选项配置释放硬件潜力正确的编译器选项是性能的基石。必须开启硬浮点-mfpufpv4-sp-d16 -mfloat-abihard。这是铁律。优化等级选择开发调试阶段可以使用-Og优化调试体验或-O0完全不优化便于单步跟踪。但要注意此时性能不能作为参考。性能测试与发布使用-O2。它在性能、代码大小和编译时间之间取得了很好的平衡并且能有效启用FMA等关键优化。追求极限性能尝试-O3。但它可能会显著增加代码体积特别是由于循环展开对于Flash紧张的MCU需要权衡。使用-O3后务必进行全面的功能测试因为激进优化可能在某些边缘情况下改变程序行为。代码尺寸敏感使用-Os。它会优先减小代码大小可能牺牲一些性能。从测试看对浮点性能的影响比-O0到-O2的差距小。考虑-ffast-math如果你的应用对极端的数值精度和IEEE754严格合规性要求不高例如一些实时控制系统、音频处理可以尝试添加-ffast-math。它能带来额外的性能提升尤其是对循环中的数学库函数调用。添加此选项后必须对核心算法进行严格的精度和功能验证。5.3 代码编写习惯让编译器能帮你优化好的代码风格能让编译器生成更好的机器码。促进FMA生成尽量使用a b * c d;或a b * c;这种形式。避免写成tmp b * c; a tmp d;。循环内不变式外提将循环内不会改变的计算移到循环外部。// 优化前 for(int i0; i1000; i) { y[i] x[i] * gain offset; // 假设gain, offset是常数 } // 优化后 float temp_gain gain; // 可能涉及类型转换提前算好 float temp_offset offset; for(int i0; i1000; i) { y[i] x[i] * temp_gain temp_offset; // 循环内只剩访存和FMA }避免在循环内调用昂贵函数如sinf,expf。如果参数是规律变化的考虑查表或近似计算。保持内存访问连续性顺序访问浮点数组比随机访问效率高得多。这有利于CPU的预取机制。5.4 测量与剖析找到真正的瓶颈优化前一定要测量优化后一定要验证。定时器是好朋友像本项目一样利用HRTIM、SysTick或DWTData Watchpoint Trace中的CYCCNT计数器进行精细计时。DWT-CYCCNT是一个32位向上计数器随内核时钟递增无需配置使用非常方便。分段测量不要只测整个函数的时间。将函数内部的关键代码块如内层循环单独计时才能精准定位热点。性能剖析工具如果使用IAR或Keil MDK等商业IDE可以利用其内置的性能分析Profiling功能。对于GCCOpenOCD可以结合gprof工具进行函数级性能分析虽然设置稍复杂但数据更全面。最后性能优化是一个迭代和权衡的过程。在XMC4700这个项目中通过将关键算法中的double改为float重构循环以利用FMA并将几个频繁调用的sinf替换为256点的查找表最终将那个3x3矩阵运算的时间从近2毫秒降低到了200微秒以内满足了实时性要求。这个过程的核心就是对FPU这个硬件特性有了透彻的了解知道它的强项和弱点然后让写的每一行代码都朝着扬长避短的方向去努力。