飞腾（ARM V8）平台实现FFT

最近在做飞腾上的FFT优化，记录一下以后用。

目前实现了基2FFT，使用arm提供的neon接口做了并行计算。算法原理网上很多，这里就不讲了，记录复数正向优化方法。

优化思路：

1. 第一层蝶形计算：

第一层的蝶形因子都是1，蝶形下半部分就无需乘蝶形因子，直接与蝶形上半部分做加减运算即可。

由于第一层蝶形上下部分跨度为1（即连续），直接加载4个数据到向量寄存器无法实现并行计算，改用vld2q_f32()对输入信号进行加载，存入到float32x4x2类型的变量中。具体形式如下图：

第一行4个数据为蝶形的上半部分，第二行四个数据为蝶形的下半部分，可直接进行结果的计算。

复数部分与实数部分一样。

2. 第二层蝶形计算

第二层蝶形有两种旋转因子分别为1和-i，蝶形上下部分间隔为2，可以使用vld4q_f32()将数据加载到float32x4x4_t的变量中，具体形式如下图：

第一行与第三行为同组蝶形的上下两部分（间隔为2），第二行与第四行为第二种蝶形的上下部分。对于旋转因子为1的部分，计算方式与第一层相同。对于第二种蝶形，旋转因子为-i，可以直接得到下半部分与蝶形因子的计算结果而无需乘法。

3. 第三层及之后的

4. 蝶形计算

第三层旋转因子有4个，蝶形上下部分间隔为4，可以选择使用vld1q_f32()加载数据到float32x4变量中，再加载之后的4个到第二个float32x4变量中。两个变量分别存储蝶形上下两部分的数据。然后进行常规的复数乘法运算与加减法。

后来发现这种方式的访存次数太多，考虑到armV8有32个向量寄存器，cache line大小为64B即16个float，利用vld1q_f32_x4()接口加载一个缓存行的数据，用4个向量寄存器存着，计算完再利用vst1q_f32_x4()存回去，将8次访存（4次取4次存）减少为2次访存（1次取1次存）。

实现了这个想法后，在飞腾CPU上利用g++编译发现不认识vld1q_f32_x4()与vst1q_f32_x4()接口!!

在我本机（macbook pro 2017)编码是可以看到<arm_neon.h>库中有这些接口的。