一直在看这方面的东西，自己也写过代码，但是始终都没有掌握其中的真谛。其实现在也是半懂不懂，然而还是感觉有些灵感了，写起代码也不那么慢了。今天下午就调试了四个代码，前提是这四个函数前几天是看过的：dct4x4dc,idct4x4dc,quant4x4dc和iquant4x4dc。效果dct变换还是很好的，基本提高了一半的效率，而iquant就没甚么改进，而且quant还不如以前了，原因估计是代码太长，以后还要进一步优化。
今天调的这么快，主要是把2x2的都做好了，那么简单将进行四个循环就可以了，而最后把循环展开，反正c64是有那么多寄存器的，一下就做完这16个，效果当然要比循环四次好的多（而且从水平和垂直两个方面就是八次循环了）。
今天想写下的心得不是对于dct变换本身的，虽然这部分也是很关键的，但今天就说一下优化dct2x2dc的过程。
void
dct2x2dc_c(int16_t* data)
{
int16_t s[4];
s[0] = data[0];
s[1] = data[1];
s[2] = data[2];
s[3] = data[3];
data[0] = s[0] + s[2] + s[1] + s[3];
data[1] = s[0] + s[2] - s[1] - s[3];
data[2] = s[0] - s[2] + s[1] - s[3];
data[3] = s[0] - s[2] - s[1] + s[3];
}
这是T264中的dct2x2dc的c代码，其实很简单，dct变换就是矩阵变换，最适合做优化了。单独测试这部分代码的c函数，两个主要参考：总周期2157，data cache misses50次。
简单的改为汇编，只要取数做运算就可以了。
.global _dct2x2dc_sa
_dct2x2dc_sa:.cproc data
.no_mdep
.reg data0,data1,data2,data3,data02,data13,data20,data31
.reg s0,s1,s2,s3
LDH *data,s0
LDH *+data[1],s1
LDH *+data[2],s2
LDH *+data[3],s3;分四次把data取出
ADD s0,s2,data02
ADD s1,s3,data13
ADD data02,data13,data0
SUB data02,data13,data1
SUB s0,s2,data20
SUB s1,s3,data31
ADD data20,data31,data2
SUB data20,data31,data3;把公式综合起来进行运算
STH data0,*data
STH data1,*+data[1]
STH data2,*+data[2]
STH data3,*+data[3];存数
.endproc
这样的实现很简单，相关的注释在后面，剖析结果：周期2109，data cache misses46次。
改进非常小。这是个中间阶段，测试数据是正确的，就可以进行进一步优化了。很明显，汇编中最费时的就是load和store。以前就看到数据打包的概念，这次终于理解了。首先，我们知道（主函数中）data的数据是16bit的，而c64的寄存器都是32位，那么我们就可以把每两个数放在一个寄存器中，然后再利用其他相关的操作来进行运算（很明显c64这样的设计就是要我们这样用的）。说起来很不明确，具体的讲就很清楚了。首先，一个LDW在一个地址取一个字，那么就是32bit，就是取了两个data：LDW *data,data10。同时再来一个：LDW *+data[1],data32。很明显就取出了所有的四个data，data0和data1分别位于寄存器data10的低16位和高16位，同样data2和data3在data32中。如果画图就很明白了，这个文字说明：
data10: data1(H)data0(L)
data32: data3(H)data2(L)
而且我们知道c64有两条指令:ADD2和SUB2(具体可以参看相关资料），分别是将两个操作数的高16位相加、相减放在dst的高16位，同时低16位相加相减放在低16位。也就是说，如果我们使用这样两条语句:ADD2 data10,data32,data0213和SUB2 data10,data32,data2031，那么在data0213和data2031中存储为：
data0213: 1+3(H)0+2(H)
data2131: 1-3(H)0-2(H)相当整齐。
之后我们再看c代码，得到的data0到data3正是data0213和data2031高低共四个元素1+3、0+2、1-3、0-2的组合。当然首先要把他们分离，还没发现c64有指令可以高低位计算的，把这两个寄存器右移16得到了1和3的两个运算，原始的（data0213和data2031）就是0和2的运算。这样的计算好像是不对的，因为使用的0、2运算的高16位并不是单纯的，而使用的1、3运算的高16也是与计算没关系的。这个不用担心，我们的结果就是16位，最后只要考虑低16位就可以了，而且我们最后还有pack的操作，就会把高16位冲掉了。我们计算一个data2作为说明。
观察c代码，data2是(0-2)+(1-3),先把0-2移出来：SHR data2031,16,data31；然后再相加即可：ADD data2013,data31,data2。搞定。其他的也是类似了。关于PACK2的运算可以看整个代码就明确了。
LDW *data,data10
LDW *+data[1],data32;整字取数据，这里注意不要因为是按字取就加2，同样LDDW是也是加1
ADD2 data10,data32,data0213
SUB2 data10,data32,data2031;得到四个元素
SHR data0213,16,data13
SHR data2031,16,data31;分离1和3的运算
ADD data0213,data13,data0
ADD data2031,data31,data2 ;计算data0和data2
SUB data0213,data13,data1
SUB data2031,data31,data3 ;计算data1和data3
PACK2 data1,data0,data10
PACK2 data3,data2,data32;打包一个是冲掉高16位，一个也是为STW做准备
STW data10,*data
STW data32,*+data[1];按字再存数据，也是提升性能的主要部分。
为简明起见，去掉了线性汇编的头尾以及定义寄存器。最后的剖析结果：周期1955，data cache misses42次。再进一步想，如果使用双字取数和存，是不是更会提升呢？
LDDW *data,data32:data10
;中间代码与LDW一致
STDW data32:data10,*data最后的剖析结果：周期1877，data cache misses40次。
2x2的情况还看不那么明显，按照这样的方法改了dct4x4dc_c，二者的剖析结果为：
c:4591108
sa:240552（都是上面一样的指标）。
可见，提升了近一半的性能。
其他函数的优化也是相类似的。
目前的理解就这么多了，其他的更深刻慢慢就会知道了。