本书是学习Arm Helium MVE技术的理想指南。Helium为微控制器带来了令人兴奋的新功能，使复杂的数字信号处理或机器学习应用程序能够在廉价、低功耗的设备上运行。本书首先从易于理解的层面介绍了Helium的基本概念数据（SIMD）、矢量处理、浮点和定点数据表示以及饱和运算等。然后，将指令集分解为几个部分进行详细探讨，包括流水线结构、预测和分支处理、数据处理及内存访问等主题。此外，还介绍了Cortex-M55等Helium核心技术的编码机制，包括编译、调试和优化。本书的结尾是重要部分，介绍了如何实现DSP和ML工作负载。
阅读本书的前提是具备Cortex-M处理器和基本DSP理论知识以及C语言和Arm汇编语言基础。

乔恩·马什（Jon Marsh），拥有超过25年的从业经验，一直为Arm及其半导体合作伙伴工作。他曾参与多款ArmCPU的开发，从Arm2到现在的高端64位处理器都有涉及。他曾在世界大多数顶级半导体和消费类公司从事有关Arm处理器的咨询工作并提供培训课程，并在亚洲、欧洲及北美等地区的会议和大学发表演讲。

译者序
序
前言
第1章 绪论
1.1 Helium简介
1.2 Armv8.1-M架构
1.3 对比其他Arm SIMD/DSP特性
1.3.1 Helium对比Neon
1.3.2 Helium对比可伸缩矢量扩展
1.3.3 Helium对比Cortex-M的DSP特性
1.3.4 Helium对比专用DSP
1.4 Helium用例
1.5 问题
第2章 SIMD/矢量处理器概论
2.1 SIMD/矢量处理
2.2 浮点数和定点数
2.2.1 饱和运算
2.2.2 定点和浮点DSP
2.2.3 Helium浮点格式
2.2.4 C数据类型和原语
2.3 问题
第3章 Helium架构
3.1 Helium基础概念
3.1.1 Helium寄存器
3.1.2 通道
3.1.3 矢令块和节拍
3.1.4 指令示例
3.2 Helium矢量处理
3.3 低开销分支扩展
3.4 尾部预测
3.5 Helium指令集
3.5.1 指令集基础
3.5.2 指令修饰符
3.5.3 指令形态
3.6 问题
第4章 数据处理指令
4.1 算术运算
4.1.1 加法和减法
4.1.2 绝对值
4.1.3 移位
4.1.4 逻辑操作
4.1.5 最小值和最大值
4.1.6 格式转换和舍入
4.1.7 位计数
4.1.8 元素反转
4.2 乘法运算
4.2.1 乘法指令
4.2.2 乘加指令
4.2.3 复数运算指令
4.2.4 定点复数乘法运算
4.3 数据移动
4.4 比较和预测
4.5 问题
第5章 内存访问指令
5.1 矢量加载和存储
5.2 离散-聚合
5.3 交织和解交织加载/存储
5.4 问题
第6章 Helium分支、标量和其他指令
6.1 低开销分支扩展
6.2 Armv8.1-M标量指令
6.2.1 条件执行
6.2.2 通用寄存器移位
6.3 其他指令
6.4 问题
第7章 Helium编程
7.1 编译器和工具
7.1.1 Arm Compiler 6
7.1.2 GCC Helium功能
7.1.3 Helium CPU内核的调试、跟踪、剖析
7.2 Helium编程方式
7.3 矢量库
7.4 自动矢量化
7.4.1 使用矢量化编译器
7.4.2 面向自动矢量化编程
7.4.3 自动矢量化示例
7.5 Helium原语函数
7.5.1 原语编程
7.5.2 原语预测
7.5.3 原语点积示例
7.5.4 原语离散-聚合示例
7.5.5 原语尾部处理
7.5.6 原语函数工作流
7.6 Helium汇编代码
7.6.1 内联汇编代码
7.6.2 内联汇编示例
7.6.3 原生汇编语言函数
7.7 从其他架构移植DSP代码
7.8 Helium底层代码
7.8.1 使能Helium
7.8.2 检测Helium
7.8.3 异常处理
7.9 问题
第8章 性能和优化
8.1 代码剖析和性能评估
8.1.1 Helium性能计数器和比率
8.1.2 嵌入式跟踪宏单元
8.2 性能考量
8.3 性能和Cortex-M内存系统
8.3.1 缓存
8.3.2 紧耦合内存
8.4 双矢令块微架构的性能考量
8.5 性能示例
8.6 问题
第9章 DSP基础
9.1 矩阵运算
9.1.1 矩阵乘法
9.1.2 矩阵转置
9.2 傅里叶变换
9.2.1 傅里叶变换简介
9.2.2 快速傅里叶变换
9.2.3 FFT示例
第10章 DSP滤波
10.1 卷积
10.2 滤波器
10.2.1 FIR滤波器简介
10.2.2 FIR滤波器示例
第11章 应用示例
11.1 图像处理
11.2 加密
11.2.1 大数算术
11.2.2 多项式乘法
第12章 神经网络和机器学习
12.1 神经网络简介
12.1.1 卷积神经网络
12.1.2 循环神经网络
12.2 CMSIS-NN
12.2.1 CMSIS-NN优化
12.2.2 CMSIS-NN Helium优化
12.3 微控制器TensorFlow Lite
12.3.1 用于微控制器和CMSIS-NN的TensorFlow Lite
12.3.2 模型转换
12.3.3 在Helium Cortex-M CPU上部署模型
12.3.4 关键字检测示例
12.4 针对Helium转换神经网络
12.5 经典机器学习
参考答案
扩展阅读