Performance 加速neon arm中的矩阵速度

我试着运行下面的代码1k x 1k，时间是1.4s

是否有任何可能的方法来提高速度，代码在raspberry pi-4上进行了测试

相同大小的基于numpy的乘法需要0.14秒来执行代码

A和B矩阵的大小相同，为1000 x 1000

代码在编译时自动矢量化

void matrix\u multiply\u neon（float32\u t*A、float32\u t*B、float32\u t*C、uint32\u t n、uint32\u t m、uint32\u t k）{
int A_idx；
int B_idx；
int C_idx；
浮动32x4_t A0；
浮动32x4_t A1；
浮动32x4_t A2；
浮动32x4_t A3；
浮动32x4_t B0；
浮体32x4_t B1；
浮动32x4_t B2；
浮动32x4_t B3；
浮动32x4_t C0；
浮动32x4_t C1；
浮动32x4_t C2；
浮动32x4_t C3；
对于（int i_idx=0；i_idx为什么不使用BLAS库？几十年来，有很多经过高度熟练的开发人员优化的、经过良好测试的、可移植的、开源的、非常快速的实现。是的，你完全正确。我试过使用BLAS库。这很好，也很有效。但我想知道的是，有没有办法提高spe如果这是为了学习，请注意，您可以执行平铺以提高缓存利用率。此外，您的FMA顺序依赖于ILP，因此可能会降低性能。我认为更大的寄存器阻塞也可能有帮助。要比好的BLAS库更快？不太可能，尤其是对于1k x 1k这样大的矩阵（大到足以隐藏函数调用开销和BLAS库无法硬编码精确大小的成本，就像内联后可能发生的那样）。这足够大，缓存阻塞技术将非常有价值。不过，如果您想了解BLAS库的运行速度有多快，这很好。（例如，缓存阻塞和使用多个依赖链展开循环以隐藏FP延迟）请注意，浮动上的许多优化（特别是关于更改顺序和断开依赖链）将由于操作关联差异而更改输出。这通常不是问题，但需要注意。