參考：https://blog.csdn.net/billbliss/article/details/78929304
https://blog.csdn.net/SoaringLee_fighting/article/details/81265865
一、arm通用指令
通用算術指令：
VABA：向量差值絕對值累加、VABD：向量差值絕對值、VABS：向量絕對值、VNEG：向量求反、
VADD、VADDW、VADDL、VSUB、VSUBL、VSUBW：向量加減，包括寬型、長型和窄型三種格式。
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，沒有找到則為0，存入d2中
二、需要注意的地方
1、 load數據的時候，第一次load會把數據放在cache里面，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，這樣在匯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，然后列求和出來均值，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，然后再做列，這樣數據都在cache里面，做列的時候load數據會很快。
2、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，則就會阻塞在這里，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后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
3、使用飽和指令的時候，如乘法飽和的時候，在做乘法后會再去做一次飽和，所以時間要比直接做乘法要慢。
如： vmul.u16 q1, d3, d4
vqmul.u32 q1, q2, q3
后一個的時間要比第一個的時間要久。
4、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
5、去除數據之間的依賴
不要將當前指令的目的寄存器作為下一條指令的源寄存器。一般當前指令的運算結果會在下一條指令中使用，我們可以通過指令穿插避免數據依賴。
6、減少分支跳轉
ARM處理器中廣泛使用分支預測技術。但是一旦分支預測失敗，性能就會損失很大。所以，
盡量不要用分支跳轉！可以采用邏輯運算指令替代分支跳轉！
比如：
VCEQ, VCGE, VCGT, VCLE, VCLT……
VBIT, VBIF, VBSL……
另外，可以使用條件執行指令，比如addgt,suble等減少分支跳轉！
建議一次性多處理幾行數據，從而減少循環跳轉的次數，提升性能。