性能比拼！超详细的Tengine GEMM矩阵乘法汇编教程

Tengine 是OPEN AI LAB 针对前端智能设备开发的软件开发包，核心部分是一个轻量级，模块化，高性能的AI 推断引擎，并支持用DLA、GPU、xPU作为硬件加速计算资源异构加速。

本文为Open AI Lab 工作人员投稿，对深度学习的核心操作GEMM进行了详细的使用介绍，欢迎对模型部署AI推断感兴趣的朋友关注Tengine。

https://github.com/OAID/Tengine

很多刚入门Tengine的开发者想研读Tengine汇编代码，却苦于没有好的汇编入门教程，没有大神带入门，自己看又看不懂，怎么办？福利来了，Tengine带来了一份超详细的gemm汇编教程。

GEMM简介

什么是GEMM? 它的英文全称是 GEneral Matrix to Matrix Multiplication (通用矩阵的矩阵乘法)，Gemm在神经网络的计算中占据很重要的位置。Why gemm is at the heart of deep learning[1]介绍了为什么GEMM在深度学习计算中如此重要，以及卷积计算中是如何使用GEMM。

教程大纲

教程分为三部分:

Step1: 纯C实现的gemm

Step2: 调用OpenBLAS的gemm

Step3: Tengine中的gemm

运行这个教程的代码，你需要：

可以执行armv8汇编的环境，比如RK3399

linux操作系统: 本教程的编译脚本使用的是Makefile

超简洁的教程源码

Step1: 纯C实现的gemm

step1部分的代码直接执行：

cd step1
make
./test

这个程序中我们计算的矩阵乘法是 A(m,k) * B(k,n) =C(m,n)：

矩阵乘法的纯C简洁实现:

void gemm_pure_c(float* A, float* B, float* C,int m,int n,int k)
{
   for(int i=0;i<m;i++)
    {
       for(int j=0;j<n;j++)
       {
           C[i*n+j]=0.f;
           for(int p=0;p<k;p++)
           {
                C[i*n+j]+=A[i*k+p]*B[p*n+j];
           }
       }
    }
}

Step2: 调用OpenBLAS的gemm

OpenBLAS[2]是一个开源的基础线性代数计算库，BLAS的英文全称Basic Linear Algebra Subprograms，它在不同的处理器上都做了优化。在Linux上，可以直接通过apt-get安装这个库:

sudo apt-get install libopenblas-dev

运行一下step2的代码

make
export OMP_NUM_THREADS=1
taskset 0x1 ./test

在RK3399上得到的结果是

[m n k]:        256 128 256
[openblas]:     4.68 ms
[pure c]:       32.22 ms
[blas VS pure_C]:  maxerr=0.000076

可以看出，调用OpenBLAS库的性能明显优于纯C实现。

Step3:调用Tengine 16x4 kernel的gemm

这部分教程以 Tengine[3]源码中的 sgemm_4x16_interleave.S[4]为例子，对汇编代码做了一些简化，只支持k为4的倍数的情况。

在使用Tengine的4x16 kernel之前, 首先要对矩阵A和矩阵B的数据进行interleave。什么是interleave呢？Interleave叫交错排布，表示对数据进行重新排布，为了计算的时候读取数据时能更好地利用缓存。这里我们对矩阵A的数据是对m中的每16个元素进行重排, 对矩阵B的数据是对n的每4个元素进行重排。

Tengine的4x16 kernel计算的n=4,m=16的情况，目前支持的k是4的倍数：

我们在汇编代码的loop4中计算k的每四个元素.

• 加载B的数据到寄存器 v0,v1,v2,v3
• 加载A的数据到寄存器 v4,v5,v6,v7,v8,v9,v10,v11

    ldr q0,[x1]    
    ldr q1, [x1,0x10]  
    ldp q2, q3, [x1,0x20]
 
    ldp q4, q5, [x2]
    ldp q6, q7, [x2,0x20]      
    ldp q8, q9, [x2,0x40]
    ldp q10,q11,[x2,0x60]

下面的动图演示了4x16的kernel的每条指令是如何进行计算的

最后的汇编对应的是把输出数据保存

    stp     q16, q17 ,[x0]
    stp     q18, q19 ,[x0, #0x20]
    stp     q20, q21 ,[x0, #0x40]
    stp     q22, q23 ,[x0, #0x60]
    stp     q24, q25 ,[x0, #0x80]
    stp     q26, q27 ,[x0, #0xa0]
    stp     q28, q29 ,[x0, #0xc0]
    stp     q30, q31 ,[x0, #0xe0]

我们在RK3399上执行step3的代码：

cd step3
make
export OMP_NUM_THREADS=1
taskset 0x1 ./test

可以看出, Tengine的4x16 kernel性能在这三种实现中是最优的。

[m n k]:        256 256 256
[tengine 4x16]: 7.71 ms
[openblas]:     9.55 ms
[pure c]:       316.00 ms
[blas VS tengine]:  maxerr=0.000061

What's more?

这个教程的代码只是一个示例，part3的代码只支持:

m 是16的倍数

n 是4的倍数

k 是4的倍数

看完这个教程，建议可以尝试以下的一些拓展工作:

• 你可以修改代码来支持任意数值的k,可参考[sgemm_4x16_interleave.S][4]这个汇编代码，添加 loop1.
• 你可以把 interleave_B4 函数替换成汇编，以优化性能。
• 你可以拓展代码，支持任意数值的 m and n
• 你可以尝试写一个 4x4_kernel.S 的armv8汇编
• 你可以尝试写一个 4x4_kernel.S 的armv7汇编

教程源码链接或点击阅读原文获取：

https://github.com/lyuchuny3/Tengine_gemm_tutorial

Reference:

[1] Why gemm is at the heart of deep learning (https://petewarden.com/2015/04/20/why-gemm-is-at-the-heart-of-deep-learning/)

[2]OpenBLAS (https://www.openblas.net/)

[3]Tengine (https://github.com/OAID/Tengine )

[4]sgemm_4x16_interleave.S(https://github.com/OAID/Tengine/blob/master/executor/operator/arm64/conv/sgemm_4x16_interleave.S )