RISC-V GNU工具链构建:如何禁用硬件除法指令支持
2025-06-17 02:13:24作者:贡沫苏Truman
背景介绍
在RISC-V架构的处理器开发中,部分硬件实现可能不包含除法运算单元。这种情况下,使用标准工具链编译的程序可能会生成硬件除法指令,导致在目标硬件上运行时出现非法指令异常。本文将详细介绍如何构建一个不包含硬件除法指令的RISC-V GNU工具链。
问题分析
标准RISC-V GNU工具链默认会生成硬件除法指令,这包括:
- 整数除法指令(如div、divw等)
- 浮点除法指令(如fdiv.d、fdiv.s等)
当目标硬件不支持这些指令时,我们需要:
- 确保编译器不生成这些指令
- 确保标准库(如Newlib)也不包含这些指令
解决方案
1. 工具链构建配置
构建工具链时,需要通过特定的编译选项禁用除法指令生成:
git clone https://github.com/riscv-collab/riscv-gnu-toolchain
cd riscv-gnu-toolchain
./configure --prefix=`pwd`/installed-tools
make CFLAGS_FOR_TARGET_EXTRA="-mno-div -mno-fdiv" \
CXXFLAGS_FOR_TARGET_EXTRA="-mno-div -mno-fdiv" \
ASFLAGS_FOR_TARGET_EXTRA="-mno-div -mno-fdiv" \
2>&1 | tee build.log
关键选项说明:
-mno-div:禁用整数除法指令-mno-fdiv:禁用浮点除法指令CFLAGS_FOR_TARGET_EXTRA:传递给目标C编译器的额外标志CXXFLAGS_FOR_TARGET_EXTRA:传递给目标C++编译器的额外标志ASFLAGS_FOR_TARGET_EXTRA:传递给目标汇编器的额外标志
2. 验证构建结果
构建完成后,需要验证标准库是否确实不包含除法指令:
cd installed-tools/riscv64-unknown-elf/lib
../../bin/riscv64-unknown-elf-objdump -d libc.a | grep div
../../bin/riscv64-unknown-elf-objdump -d libm.a | grep div
正确的输出应该只显示除法相关的函数名(如div、imaxdiv等),而不应该出现实际的除法指令。
技术原理
1. 除法指令替代方案
当禁用硬件除法指令后,编译器会:
- 对于整数除法:调用软件实现的除法函数
- 对于浮点除法:使用软件浮点库实现
2. 标准库的影响
Newlib等标准库中可能包含直接使用硬件除法指令的优化实现。通过传递-mno-div和-mno-fdiv选项,可以确保这些库也使用软件实现。
实际应用建议
- 性能考虑:软件实现的除法比硬件实现慢很多,如果性能敏感,建议考虑添加硬件除法单元
- 代码大小:软件除法会增加代码大小,对于资源受限的系统需要特别注意
- 一致性:确保所有链接的库都是用相同的选项编译,避免混合使用硬件和软件除法
总结
通过上述方法构建的RISC-V GNU工具链可以完全避免生成硬件除法指令,适合在不支持硬件除法的RISC-V处理器上使用。这种方法不仅影响用户代码,还确保了标准库的一致性,是开发无除法单元RISC-V系统的有效解决方案。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 开源电子设计自动化利器:KiCad EDA全方位使用指南 Python案例资源下载 - 从入门到精通的完整项目代码合集 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 ONVIF设备模拟器:开发测试必备的智能安防仿真工具 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
671
156
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217