Ctorch开发日志——矩阵乘法优化及数学原理
随着项目的推进，本作者遇到了目前最棘手的问题，即矩阵乘法的优化
但是有句话说得好
百度 乐曲以长音结尾，则蕴含微调的妙处。“你越棘手，我越兴奋”
那么，如下是本作者如何把\(O(MNK)\)（\(O(n^3)\)）的朴素矩阵乘法一步一步优化到\(O(n^{2.81})\) 的全过程
测试环境
macOS Tahoe 26 Beta 2
M3 Pro 11核
18GB
CLion & Cmake
计时器：ctime
矩阵：1024 * 1024 @ 1024 * 1024
为保证准确，时间均为5次测量取平均值
朴素算法实现 & 测速
朴素实现的数学原理
其实就是把矩阵乘的数学公式重写一遍：
注意：矩阵乘法不满足交换律
只有左矩阵的列数与右矩阵的行数相同的两个矩阵才能相乘
乘积矩阵的行数等于左矩阵的行数，列数等于右矩阵的列数
概括一下就是
乘积矩阵第i行第j列处的元素等于左矩阵的第i行与右矩阵的第j列对应元素乘积之和
那么，这个很简单，上代码吧
为了测试，所有的矩阵保证满足乘法条件且为2维
时间复杂度 \(O(n^3)\)
// 原始版本（未优化）
void matrix_mult(float* A, float* B, float* C, int N) {
for (int i = 0; i < N; i++)
for (int j = 0; j < N; j++)
for (int k = 0; k < N; k++)
C[i*N + j] += A[i*N + k] * B[k*N + j];
}
在实际测试中，此算法跑出了1898.46ms的优秀成绩
优化一：循环优化
你可能会疑惑，循环优化是什么
故名思义，就是对原有的ijk的循环重新更换顺序为ikj
一个更大的问题来了，凭什么仅仅改变顺序就快了许多
那么不妨看看访问顺序
算法1（朴素实现）：
在这个顺序中，最内层循环是k，它遍历A的一行和B的一列。
对于A的访问是连续的（因为A[i][k]在内存中是按行存储的，所以k增加时是连续访问），
但是B的访问是不连续的（因为B[k][j]在内存中是按行存储，k增加时访问的是不同行的同一列，所以是跳跃访问）。这样对B的访问会导致缓存失效。
so，真正影响到速度的，就是缓存，在顺序读取中，缓存可以加载一整行，不必跳跃元素访问
那么，有没有一种循环顺序，使得对三个数组均为顺序访问呢
有的兄弟，有的，让我们欢迎仍为\(O(n^{3})\)的优化算法出场
——“ikj”循环优化
在这个顺序中，最内层循环是j。对于A的访问，固定i和k，所以每次内层循环A[i][k]是常数。对于B的访问，是B[k][j]，由于j是连续的，所以B的访问是连续的（因为同一行连续列）。同时，C的访问也是连续的（C[i][j]）。这样，所有的内存访问都是连续的，因此性能更好。
可以自行验证，对于三个数组，均为顺序访问
给出如下代码：
时间复杂度 \(O(n^3)\)
// 优化后（行优先访问）
void matrix_mult_opt1(float* A, float* B, float* C, int N) {
for (int i = 0; i < N; i++)
for (int k = 0; k < N; k++) // k循环提到中间
for (int j = 0; j < N; j++)
C[i*N + j] += A[i*N + k] * B[k*N + j];
}
在实际测试中，此算法跑出了1462.89ms的优秀成绩
提升：1898.46ms-1462.89ms = 435.57ms 提高22.9%
进阶提升 优化二：矩阵分块算法
顾名思义，分块算法即是把矩阵分为多个小矩阵，对每个矩阵操作后再组合出结果，类似分块算法
那么，它为什么快呢
在计算机中，共有三种CPU缓存以及普通内存，即L1、L2、L3 Cache和内存
前三种的速度要比内存快很多很多，大概只有一个CPU周期的延迟，而普通内存可以达到上百周期延迟
而比他们更快的就是寄存器，直接接触CPU，0延迟
唯一的问题是，寄存器的大小只够存储单个值
新的问题来了，怎样把一个巨大的矩阵放到只有128k-1m的L1缓存中呢
聪明的你一定想到了把原矩阵划分为多个小矩阵，每一个都能放到L1内进行运算
那么恭喜你，你已经知道了矩阵分块算法的原理
更确切的说，先定义一个常数 \(blocks \in N^{+}\) 作为划分的单位矩阵的行列，
对于原矩阵A，我们把其中的 \({blocks \times blocks}\) 个元素划分为一个新矩阵，记为\(a^{'}_{\cdots}\),我们定义:
其余以此类推，新矩阵\(A^{'}\)即变为
正如同我们可以把 \(f(x)\) 中的 \(x\) 替换为任意多项式（函数），我们同样也可以把矩阵中的每个元素换为一个矩阵，其运算规则仍然成立
so，显而易见的，分块矩阵算法有如下公式：
对于整体而言，
其中：
其中的每个乘法 \(a'{ik} \times b'{kj}\) 是子矩阵乘法
这里为了方便看，默认原矩阵的行列均为 blocks 的倍数
那么下一个很自然的问题就是
若行列不为blocks的倍数，怎么办
分两种情况：
- $ min(m,n) < blocks $
- $ \exists m,n \nmid blocks $
对于1，直接执行普通矩阵乘法即可，因为整个矩阵均可放于L1、L2 Cache中
对于2，我们定义分块矩阵的大小为$ p,q $
其中，
至此，分块矩阵的全部问题已经解决
给出如下代码：
时间复杂度\(O(n^3)\)
void block_mult(float* A, float* B, float* C, int N, int BLOCK) {
// 清除结果矩阵
memset(C, 0, N*N*sizeof(float));
// 三层分块循环
for (int i0 = 0; i0 < N; i0 += BLOCK) {
int i_end = min(i0 + BLOCK, N); // 计算行边界
for (int k0 = 0; k0 < N; k0 += BLOCK) {
int k_end = min(k0 + BLOCK, N); // 计算中间维度边界
for (int j0 = 0; j0 < N; j0 += BLOCK) {
int j_end = min(j0 + BLOCK, N); // 计算列边界
// 核心计算：只处理完整块内的元素
for (int i = i0; i < i_end; i++) {
for (int k = k0; k < k_end; k++) {
float a_val = A[i*N + k]; // 一次加载A元素
// 内层循环：连续访问B和C
for (int j = j0; j < j_end; j++) {
C[i*N + j] += a_val * B[k*N + j];
}
}
}
}
}
}
}
由于矩阵过小时，分块算法优势不大，且会增加调用开销，因此，这里的测试，\(m,n\)为2048
实测结果：\(blocks = 512\) 时，用时 11515.2ms
而不使用分块仅循环优化的算法 用时 16028.9ms
朴素实现 用时 18053.45ms
提升：16028.9ms-11515.2ms = \(4513.2ms\) 提高：\(28.1\%\)
高手过招 优化三 ：并行与SIMD
何为并行与SIMD？
并行：多线程同时处理多个分块
SIMD：乘加一体，即一条CPU指令同时处理乘与加
我们这里使用Apple的AMX(Apple Matrix协处理器)（也属于CPU的一部分，并非GPU优化）
对于x86架构和其余ARM架构的处理器，可以使用AVX、AVX_512、SSE等SIMP指令集
它的特性有：
- Apple Silicon芯片(M1/M2/M3等)内置的专用矩阵运算单元
- 可并行处理大量16位浮点(FP16)或整数(INT8)运算
每个AMX单元包含：
- 8个32KB的寄存器文件
- 可同时执行2048次乘加运算(16x16x8矩阵)
- 专用数据通路减少内存访问延迟
以及自动分块
如下是使用AMX的SIMP的代码：
时间复杂度：\(O(n^3)\)
// 使用Apple的AMX加速BLAS库
cblas_sgemm(CblasRowMajor, // 行主序存储
CblasNoTrans, // 不转置A
CblasNoTrans, // 不转置B
M, // A的行数
N, // B的列数
K, // 公共维度
1.0f, // alpha系数
a_data, // A数据指针
K, // A的列步幅（lda）
b_data, // B数据指针
N, // B的列步幅（ldb）
0.0f, // beta系数
r_data, // 结果数据指针
N); // 结果的列步幅（ldc）
那么，本次优化最吓人、最恐怖的一次数据来了：
实测数据：202.831ms（4096*4096）
而标准分块+循环优化算法，在2048*2048时，就已经11515.2ms
提升：11312.37 ms 提高：98.2%
数学手段 优化4:Strassen算法 & 变种
温馨提示：到这里已经是高等数学内容了（实不相瞒，前面其实也是），有点小烧脑，不过欢迎各位继续跟作者一起尝试，本作者大约花了3小时搞完这一部分的证明
介绍：
Strassen算法是一种通过数学变换减少乘法次数的高效矩阵乘/卷积算法
简要推导：
我们设有如下两个矩阵相乘：
传统计算需要8次乘法：
而Strassen算法只需7次乘
接下来，是Strassen算法最精妙绝伦的一步：
作者定义了7个矩阵：
真正让人惊讶的是下一步：
作者构建的7个矩阵，可以通过有限次的组合成为结果矩阵的一个元素
什么意思呢，让我们尝试展开其中一项：
由此，可以类似的推出\(c_{12}、c_{21}、c_{22}\)均与正常计算一致
最后的结果矩阵为
接下来，我们证明其对于n>2时仍然成立：
由于( n=2 )时，我们已经证明其正确
所以，在n>2时，我们采取分块
将原矩阵分为4块，此时我们将其中的子矩阵看为一个元素
那么此时又回归到了标准的2x2的Strassen算法
由此在$n,m \mid 2 $时Strassen算法正确
那么，下一个很自然的问题就是
若\(n,m \nmid {2} ,结论是否成立\)
我们的做法是，将矩阵分块，分为几个\(2^k \times 2^k\)的子矩阵以及几个符合矩阵乘规则的小矩阵
显然由于前文的分块算法的正确性，此时的分块仍然正确，对于几个\(2^k \times 2^k\)的矩阵，我们使用Strassen算法进行计算
现在来计算一下Strassen算法的时间复杂度：
设$ T(n) $ 为计算 $ n \times n $ 矩阵乘法的时间：
\(T(n) = 7T\left(\frac{n}{2}\right) + O(n^2)\)
- $ 7T(n/2) $：7 个子问题递归计算
- $O(n^2) $：矩阵加减法开销（共 18 次加减法）
根据主定理1，
$ a = 7,b = 2,f(n)=\Theta(n^2) $
\(log _b a = log_27 \approx 2.807\)
由于\(log _b a > 2\),所以\(f(n) = O({n^{log_b a-\epsilon})} = O(n^{log_27}) \approx O(n^{2.807})\)
更精确的，复杂度为\(\Theta(n^{2.807})\)
具体的算法为：
1.先将矩阵AB分块，分成大小为 \({blocks \times blocks}\) 的若干块以及几个任意大小的子块
2.对于 \({blocks \times blocks}\) 的子块，我们使用Strassen算法计算
3.在递归过程中，若方阵大小（因为Strassen算法开始时为方阵）n = 128，则使用循环优化的矩阵乘法
4.否则，继续按照Strassen算法递归计算直至n = 128
5.对于不是 \({blocks \times blocks}\) 的子块，使用循环优化的矩阵乘法计算
给出如下代码：
近似时间复杂度\(O(n^{2.81})\)
const int BLOCK_SIZE = 2048;
const int STRASSEN_THRESHOLD = 128;
// 标准矩阵乘法 (用于小矩阵和边界处理)
void standard_matmul(const float* A, const float* B, float* C, int n, int m, int p, int lda, int ldb, int ldc) {
for (int i = 0; i < n; ++i) {
for (int k = 0; k < m; ++k) {
float a = A[i * lda + k];
for (int j = 0; j < p; ++j) {
C[i * ldc + j] += a * B[k * ldb + j];
}
}
}
}
// 循环优化矩阵乘法 (n=128时使用)
void optimized_matmul(const float* A, const float* B, float* C, int n, int lda, int ldb, int ldc) {
for (int i = 0; i < n; ++i) {
for (int k = 0; k < n; ++k) {
float a = A[i * lda + k];
for (int j = 0; j < n; ++j) {
C[i * ldc + j] += a * B[k * ldb + j];
}
}
}
}
// 矩阵加法
void matrix_add(const float* A, const float* B, float* C, int n, int lda, int ldb, int ldc) {
for (int i = 0; i < n; ++i) {
for (int j = 0; j < n; ++j) {
C[i * ldc + j] = A[i * lda + j] + B[i * ldb + j];
}
}
}
// 矩阵减法
void matrix_subtract(const float* A, const float* B, float* C, int n, int lda, int ldb, int ldc) {
for (int i = 0; i < n; ++i) {
for (int j = 0; j < n; ++j) {
C[i * ldc + j] = A[i * lda + j] - B[i * ldb + j];
}
}
}
// 结果累加到目标矩阵
void matrix_add_to_target(float* T, const float* S, int n, int ldt, int lds) {
for (int i = 0; i < n; ++i) {
for (int j = 0; j < n; ++j) {
T[i * ldt + j] += S[i * lds + j];
}
}
}
// Strassen 矩阵乘法 (递归实现)
void strassen_matmul(const float* A, const float* B, float* C, int n, int lda, int ldb, int ldc) {
// 递归基: n <= 128 使用优化乘法
if (n <= STRASSEN_THRESHOLD) {
optimized_matmul(A, B, C, n, lda, ldb, ldc);
return;
}
int half = n / 2;
// 定义子矩阵指针
const float* A11 = A;
const float* A12 = A + half;
const float* A21 = A + half * lda;
const float* A22 = A + half * lda + half;
const float* B11 = B;
const float* B12 = B + half;
const float* B21 = B + half * ldb;
const float* B22 = B + half * ldb + half;
float* C11 = C;
float* C12 = C + half;
float* C21 = C + half * ldc;
float* C22 = C + half * ldc + half;
// 分配临时矩阵
std::vector<float> S1(half * half);
std::vector<float> S2(half * half);
std::vector<float> S3(half * half);
std::vector<float> S4(half * half);
std::vector<float> S5(half * half);
std::vector<float> S6(half * half);
std::vector<float> S7(half * half);
std::vector<float> S8(half * half);
std::vector<float> S9(half * half);
std::vector<float> S10(half * half);
std::vector<float> P1(half * half);
std::vector<float> P2(half * half);
std::vector<float> P3(half * half);
std::vector<float> P4(half * half);
std::vector<float> P5(half * half);
std::vector<float> P6(half * half);
std::vector<float> P7(half * half);
// 计算S矩阵
matrix_subtract(B12, B22, S1.data(), half, ldb, ldb, half); // S1 = B12 - B22
matrix_add(A11, A12, S2.data(), half, lda, lda, half); // S2 = A11 + A12
matrix_add(A21, A22, S3.data(), half, lda, lda, half); // S3 = A21 + A22
matrix_subtract(B21, B11, S4.data(), half, ldb, ldb, half); // S4 = B21 - B11
matrix_add(A11, A22, S5.data(), half, lda, lda, half); // S5 = A11 + A22
matrix_add(B11, B22, S6.data(), half, ldb, ldb, half); // S6 = B11 + B22
matrix_subtract(A12, A22, S7.data(), half, lda, lda, half); // S7 = A12 - A22
matrix_add(B21, B22, S8.data(), half, ldb, ldb, half); // S8 = B21 + B22
matrix_subtract(A11, A21, S9.data(), half, lda, lda, half); // S9 = A11 - A21
matrix_add(B11, B12, S10.data(), half, ldb, ldb, half); // S10 = B11 + B12
// 递归计算P矩阵
strassen_matmul(A11, S1.data(), P1.data(), half, lda, half, half); // P1 = A11 * S1
strassen_matmul(S2.data(), B22, P2.data(), half, half, ldb, half); // P2 = S2 * B22
strassen_matmul(S3.data(), B11, P3.data(), half, half, ldb, half); // P3 = S3 * B11
strassen_matmul(A22, S4.data(), P4.data(), half, lda, half, half); // P4 = A22 * S4
strassen_matmul(S5.data(), S6.data(), P5.data(), half, half, half, half); // P5 = S5 * S6
strassen_matmul(S7.data(), S8.data(), P6.data(), half, half, half, half); // P6 = S7 * S8
strassen_matmul(S9.data(), S10.data(), P7.data(), half, half, half, half);// P7 = S9 * S10
// 组合结果矩阵 (累加到C)
// C11 = P5 + P4 - P2 + P6
matrix_add_to_target(C11, P5.data(), half, ldc, half);
matrix_add_to_target(C11, P4.data(), half, ldc, half);
matrix_add_to_target(C11, P6.data(), half, ldc, half);
for (int i = 0; i < half; ++i) {
for (int j = 0; j < half; ++j) {
C11[i * ldc + j] -= P2[i * half + j];
}
}
// C12 = P1 + P2
matrix_add_to_target(C12, P1.data(), half, ldc, half);
matrix_add_to_target(C12, P2.data(), half, ldc, half);
// C21 = P3 + P4
matrix_add_to_target(C21, P3.data(), half, ldc, half);
matrix_add_to_target(C21, P4.data(), half, ldc, half);
// C22 = P5 + P1 - P3 - P7
matrix_add_to_target(C22, P5.data(), half, ldc, half);
matrix_add_to_target(C22, P1.data(), half, ldc, half);
for (int i = 0; i < half; ++i) {
for (int j = 0; j < half; ++j) {
C22[i * ldc + j] -= (P3[i * half + j] + P7[i * half + j]);
}
}
}
// 分块矩阵乘法
void matrix_multiply(const float* A, const float* B, float* C, int n, int m, int p, int lda, int ldb, int ldc) {
// 初始化输出矩阵为0
std::memset(C, 0, n * ldc * sizeof(float));
// 分块处理
for (int i = 0; i < n; i += BLOCK_SIZE) {
int i_end = std::min(i + BLOCK_SIZE, n);
int i_size = i_end - i;
for (int k = 0; k < m; k += BLOCK_SIZE) {
int k_end = std::min(k + BLOCK_SIZE, m);
int k_size = k_end - k;
for (int j = 0; j < p; j += BLOCK_SIZE) {
int j_end = std::min(j + BLOCK_SIZE, p);
int j_size = j_end - j;
// 当前块指针
const float* A_block = A + i * lda + k;
const float* B_block = B + k * ldb + j;
float* C_block = C + i * ldc + j;
// 完整块使用Strassen算法
if (i_size == BLOCK_SIZE && k_size == BLOCK_SIZE && j_size == BLOCK_SIZE) {
strassen_matmul(A_block, B_block, C_block, BLOCK_SIZE, lda, ldb, ldc);
}
// 非完整块使用标准乘法
else {
standard_matmul(A_block, B_block, C_block, i_size, k_size, j_size, lda, ldb, ldc);
}
}
}
}
}
}
当然，实际测试中，我们使用Ctorch框架的Tensor类Op::Add，与此代码会略有差异
最终测试结果：1005.65ms
P.S.提升不明显的原因是矩阵过小，如果使用Tranformer架构的巨型矩阵测试，\(O(n^{2.81})\)的优势会非常明显
最终的方案：
我们使用多函数策略：
1.若dim<128 此时的拷贝开销已经大于AMX的优化，因此使用循环优化
2.128<dim<4096 AMX的最优区间，使用纯AMX
3.dim>4096 分块，对于能够分为\(2^k\)的块，使用Strassen算法，递归到2048使用AMX
对于不是\(2^k\)的块，直接使用AMX计算，同时，每个分块使用单一线程
最后的结果：
测试矩阵：16384163842（\(2^{14}\)）
标准：30251ms
循环优化：24580ms
分块：20498ms
最终方案（SIMP+多线程+分块+Strassen）：8267.97ms
最后
如果你希望既追求高性能又追求简洁的框架，那么Ctorch将是你的最优选择
尽管这个项目还在开发中，但是可以先小小的期待一下
欢迎贡献，如有错误，请各位不吝赐教，谢谢
2025.8.2
浙公网安备 33010602011771号