參考http://blogs.msdn.com/b/xiangfan/archive/2009/04/28/optimize-your-code-matrix-multiplication.aspx。瞭解SSE3矩陣乘法優化
template<>
void SeqMatrixMult4(int size, float** m1, float** m2, float** result)
{
Transpose(size, m2);
for (int i = 0; i < size; i++) {
for (int j = 0; j < size; j++) {
__m128 c = _mm_setzero_ps();
for (int k = 0; k < size; k += 4) {
c = _mm_add_ps(c, _mm_mul_ps(_mm_load_ps(&m1[i][k]), _mm_load_ps(&m2[j][k])));
}
c = _mm_hadd_ps(c, c);
c = _mm_hadd_ps(c, c);
_mm_store_ss(&result[i][j], c);
}
}
Transpose(size, m2);
}
爲什麼還有2個_mm_hadd_ps(c, c)
之後的最內圈?爲了驗證我的理解:此代碼從m1加載4個浮點數,並從m2加載另外4個浮點數,然後將它們相乘得到4個浮點數(__m128
)。然後我將它們總結爲c
(此時,它仍然是4個花車?)。然後在for循環I hadd
這個結果兩次?這是做什麼的?
我的代碼稍微改寫產生錯誤的結果似乎
long long start, end;
__m128 v1, v2, vMul, vRes;
vRes = _mm_setzero_ps();
start = wall_clock_time();
transpose_matrix(m2);
for (int i = 0; i < SIZE; i++) {
for (int j = 0; j < SIZE; j++) {
float tmp = 0;
for (int k = 0; k < SIZE; k+=4) {
v1 = _mm_load_ps(&m1[i][k]);
v2 = _mm_load_ps(&m2[j][k]);
vMul = _mm_mul_ps(v1, v2);
vRes = _mm_add_ps(vRes, vMul);
}
vRes = _mm_hadd_ps(vRes, vRes);
_mm_store_ss(&result[i][j], vRes);
}
}
end = wall_clock_time();
fprintf(stderr, "Optimized Matrix multiplication took %1.2f seconds\n", ((float)(end - start))/1000000000);
// reverse the transposition
transpose_matrix(m2);
這似乎工作在4x4矩陣?我需要它爲1024x1024到4K x 4k矩陣 –
剛剛使用MKL/Goto BLAS/ATLAS。對於大型矩陣乘法,您需要進行多級緩存阻塞,但如果您以前從未做過,則需要幾周才能實施和調整。 SIMD只會給你緩存阻塞的一小部分性能提升。 –