GEMM矩阵相乘与深度学习
1. GEMM矩阵相乘
1.1 GEMM算法基础
GEMM(General Matrix Multiplication),通用矩阵乘法。
则根据矩阵相乘的定义,可得C=AB+C的计算公式为:
从而可实现为:
for i=0:m-1
for j=0:n-1
for p=0:k-1
C(i,j):=A(i,p)*B(p,j)+C(i,j)
endfor
endfor
endfor
可以看出,根据定义实现的算法计算复杂度为O(mnk),也就是O(n^3)。
1.2 GEMM算法优化
1.2.1 循环重排充分利用缓存
应该首先注意到我们访问数据的模式。我们按照下图A的形式逐行遍历数据,按照下图B的形式逐列遍历数据。
它们的存储也是行优先的,因此一旦我们找到 A[i, k],则它在该行中的下一个元素A[i, k+1]已经被缓存了。接下来我们来看B中发生了什么:
列的下一个元素并未出现在缓存中,即出现了缓存缺失(cache miss)。这时尽管获取到了数据,CPU也出现了一次停顿。获取数据后,缓存同时也被 B 中同一行的其他元素填满。我们实际上并不会使用到它们,因此它们很快就会被删除。多次迭代后,当我们需要那些元素时,我们将再次获取它们。我们在用实际上不需要的值污染缓存。