[!IMPORTANT] 静态库名称变更

• 分发的预编译二进制文件中，libarm_compute-static.a 将被重命名为 libarm_compute.a。
• 此更改将于 2026 年 1 月或之后的第一个版本开始生效。

计算库

计算库是一组针对 Arm® Cortex®-A、Arm® Neoverse™ 和 Arm® Mali™ GPU 架构优化的低层机器学习函数集合。

该库在性能上优于其他开源替代方案，并能立即支持新的 Arm® 技术，例如 SVE2。

主要特性：

• 开源软件，采用宽松的 MIT 许可证
• 针对 CPU 和 GPU 提供超过 100 种机器学习函数
• 多种卷积算法（GeMM、Winograd、FFT、直接和间接 GeMM）
• 支持多种数据类型：FP32、FP16、INT8、UINT8、BFLOAT16
• 针对关键 ML 原语进行微架构优化
• 可高度配置的构建选项，生成轻量级二进制文件
• 先进的优化技术，如内核融合、快速数学启用和纹理利用
• 使用 OpenCL 调优器和 GeMM 优化启发式方法进行设备和工作负载特定调优

文档

注：文档包括参考 API、变更日志、构建指南、贡献指南、勘误表等。

预编译二进制文件

所有二进制文件均可从 这里 下载。

预编译二进制文件在构建时启用了以下安全和良好编码实践相关的编译标志：

-Wall, -Wextra, -Wformat=2, -Winit-self, -Wstrict-overflow=2, -Wswitch-default, -Woverloaded-virtual, -Wformat-security, -Wctor-dtor-privacy, -Wsign-promo, -Weffc++, -pedantic, -fstack-protector-strong

支持的架构/技术

• Arm® CPU：

  • 使用 Arm® Neon™ 技术的 Arm® Cortex®-A 系列处理器
  • Arm® Neoverse™ 系列处理器
  • 搭载 Armv8-R AArch64 架构并使用 Arm® Neon™ 技术的 Arm® Cortex®-R 系列处理器
  • 使用 Arm® Neon™ 技术的 Arm® Cortex®-X1 处理器

• Arm® Mali™ GPU：

  • Arm® Mali™-G 系列处理器
  • Arm® Mali™-T 系列处理器

• x86

支持的系统

• Android™
• 裸机
• Linux®
• OpenBSD®
• macOS®
• Tizen™
• QNX®（实验性）
• FreeBSD®（实验性）

资源

• 教程：使用计算库在树莓派上运行 AlexNet
• 詹马可关于优化嵌入式深度学习推理软件性能分析的演讲
• 詹马可在 EVS 上关于使用 Winograd 算法优化 CNN 的演讲
• 詹马可关于使用 SGEMM 和 FFT 加速深度学习的演讲

实验性构建

⚠ 重要提示 Bazel 和 CMake 构建是仅限 CPU 的实验性构建，请参阅 文档 获取更多详细信息。

如何贡献

我们非常欢迎对计算库的贡献。如果您有兴趣参与贡献，请查看我们的 贡献指南。

开发者来源证书 (DCO)

在计算库接受您的贡献之前，您需要证明其来源并向我们授权。为此，我们使用开发者来源证书 (DCO) V1.1（https://developercertificate.org/）。

要表示您同意 DCO 条款，您需要在每个 Git 提交信息中添加一行包含您的姓名和电子邮件地址的内容来“签署”您的贡献：

Signed-off-by: John Doe <john.doe@example.org>

您必须使用真实姓名，不接受假名或匿名贡献。

公开邮件列表

对于技术讨论，计算库项目有一个公开的邮件列表：acl-dev@lists.linaro.org 该列表向 Arm 内部及外部的所有人开放，任何人都可以自行订阅。要订阅，请访问以下网站： https://lists.linaro.org/mailman3/lists/acl-dev.lists.linaro.org/

许可证与贡献

本软件根据 MIT 许可证提供。对该项目的贡献也遵循相同的许可证。

其他项目

本项目包含来自以下列出的其他项目的代码。原始许可证文本已包含在这些源文件中。

• OpenCL 头文件库根据 Apache License, Version 2.0 许可，这是一种与 MIT 许可证兼容的宽松许可证。

• half 库根据 MIT 许可证许可。

• libnpy 库根据 MIT 许可证许可。

• stb image 库要么根据 MIT 许可证许可，要么属于公共领域。本项目在 MIT 许可证条款下使用了它。

• KleidiAI 库根据 Apache License, Version 2.0 许可。

• GoogleTest 库由 KleidiAI 使用，并根据 BSD-3-Clause 许可证许可。

• Benchmark 库由 KleidiAI 使用，并根据 Apache License, Version 2.0 许可。

商标与版权

Android 是 Google LLC 的注册商标。

Arm、Cortex、Mali 和 Neon 是 Arm Limited（或其子公司）在美国及其他地区的注册商标或普通商标。

Bazel 是 Google LLC 在美国及其他国家注册的商标。

CMake 是 Kitware, Inc. 在美国及其他国家注册的商标。

Linux® 是 Linus Torvalds 在美国及其他国家注册的商标。

Mac 和 macOS 是 Apple Inc. 在美国及其他国家注册的商标。

Tizen 是 The Linux Foundation 注册的商标。

Windows® 是微软公司集团的注册商标。

QNX® 是黑莓公司旗下 QNX 部门的注册商标。

FreeBSD® 是 The FreeBSD Foundation 注册的商标。

Compute Library 快速上手指南

Compute Library 是专为 Arm® Cortex®-A、Arm® Neoverse™ 和 Arm® Mali™ GPU 架构优化的底层机器学习函数库。它提供了超过 100 种针对 CPU 和 GPU 的机器学习原语，支持多种卷积算法和数据类型（FP32, FP16, INT8 等），旨在为嵌入式深度学习推理提供卓越性能。

环境准备

系统要求

Compute Library 支持多种操作系统，主要包括：

• Linux® (推荐)
• Android™
• macOS®
• Bare Metal, OpenBSD®, Tizen™ 等
• 注：QNX® 和 FreeBSD® 目前处于实验性支持阶段。

硬件架构

• CPU: Arm® Cortex®-A, Arm® Neoverse™, Arm® Cortex®-R (Armv8-R AArch64), Arm® Cortex®-X1 (需支持 Arm® Neon™ 技术)。
• GPU: Arm® Mali™-G 系列, Arm® Mali™-T 系列 (通过 OpenCL)。
• 其他: 也提供 x86 架构支持。

前置依赖

在从源码编译前，请确保安装以下工具链和依赖库（以 Ubuntu/Debian 为例）：

sudo apt-get update
sudo apt-get install -y build-essential scons python3 git libopencl-dev libblas-dev libboost-dev

• SCons: 主要的构建工具。
• Python3: SCons 运行依赖。
• libopencl-dev: 若需启用 GPU (Mali) 支持必须安装。
• libblas-dev: 用于部分后端优化。

注意：如果你计划使用实验性的 CMake 或 Bazel 构建方式，请额外安装对应的 cmake 或 bazel 工具，但官方推荐生产环境使用 SCons。

安装步骤

虽然项目提供预编译二进制文件（Pre-built binaries），但为了针对特定硬件微架构进行极致优化，通常建议从源码编译。

1. 克隆仓库

git clone https://github.com/ARM-software/ComputeLibrary.git
cd ComputeLibrary

2. 编译库

使用 scons 命令进行编译。以下是一个典型的构建命令，启用了 OpenCL (GPU)、Neon (CPU) 并开启优化：

scons Werror=1 -j8 debug=0 asserts=0 neon=1 opencl=1 embed_kernels=1 extra_cxx_flags="-fPIC"

参数说明：

• -j8: 使用 8 个线程并行编译（根据 CPU 核心数调整）。
• debug=0 asserts=0: 发布模式，关闭调试和断言以提升性能。
• neon=1: 启用 Arm Neon 指令集优化。
• opencl=1: 启用 OpenCL 后端以支持 Mali GPU。
• embed_kernels=1: 将 OpenCL 内核嵌入二进制文件，避免运行时加载文件的开销（推荐用于嵌入式部署）。
• extra_cxx_flags="-fPIC": 生成位置无关代码，便于链接到共享库。

重要提示：从 2026 年 1 月起的版本中，静态库名称将从 libarm_compute-static.a 变更为 libarm_compute.a。

编译完成后，生成的库文件位于 build/ 目录下：

• 头文件：include/
• 静态库：build/libarm_compute.a (或 -static.a)
• 测试示例：build/tests/

3. (可选) 下载预编译包

如果不需要自定义编译选项，可直接从 Releases 页面 下载对应平台的预编译二进制包。这些包已包含安全编码实践相关的编译标志（如 -fstack-protector-strong 等）。

基本使用

Compute Library 主要作为底层加速库被其他框架（如 TensorFlow Lite, PyTorch Mobile）调用，也可直接用于开发自定义推理引擎。以下是一个最简单的 C++ 使用流程概念示例。

1. 包含头文件与链接

在您的 CMakeLists.txt 或 Makefile 中，需包含 include 路径并链接生成的库：

include_directories(${COMPUTE_LIBRARY_PATH}/include)
link_directories(${COMPUTE_LIBRARY_PATH}/build)
target_link_libraries(your_app arm_compute)
# 若使用 GPU，可能还需链接 OpenCL
target_link_libraries(your_app OpenCL)

2. 代码示例：初始化与执行

以下伪代码展示了如何初始化运行时并执行一个简单的张量操作（具体 API 请参考官方文档中的 Reference API）：

#include "arm_compute/core/Types.h"
#include "arm_compute/runtime/NEON/NEFunctions.h"
#include "arm_compute/runtime/Tensor.h"
#include "arm_compute/runtime/TensorAllocator.h"

using namespace arm_compute;

int main() {
    // 1. 定义张量形状和数据类型
    const TensorShape shape(256, 256); 
    const DataType data_type = DataType::F32;

    // 2. 创建并分配张量内存
    Tensor src;
    src.allocator().init(TensorInfo(shape, 1, data_type));
    src.allocator().allocate();

    Tensor dst;
    dst.allocator().init(TensorInfo(shape, 1, data_type));
    dst.allocator().allocate();

    // 3. 配置并执行函数 (例如：简单的像素转换或矩阵运算)
    // 此处以 NEFillBorder 或其他算子为例，实际需根据具体算子配置
    // NECopy copy_func; 
    // copy_func.configure(&src, &dst);
    
    // 对于大多数算子，配置后需执行
    // copy_func.run();

    // 4. 释放内存
    src.allocator().free();
    dst.allocator().free();

    return 0;
}

3. 运行测试用例

编译后的 build/tests 目录包含大量单元测试和功能验证示例，可用于验证当前环境的兼容性：

# 运行所有单元测试 (可能需要较长时间)
./build/tests/unit_tests

# 运行特定的验证测试 (例如验证卷积实现)
./build/tests/validation/CL/ConvolutionLayer

更多详细用法、算子列表及高级调优技巧（如内核融合、OpenCL Tuner 使用），请参阅 官方文档。