嵌入式推理框架 · 2019年08月29日

新手福利丨超详细的Tengine GEMM矩阵乘法汇编教程

0.jpg

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
微信图片_20190829141059.png

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):

微信图片_20190829141102.jpg
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

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 源码中的 sgemm_4x16_interleave.S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。

微信图片_20190829141107.gif
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

微信图片_20190829141110.gif
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。

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]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

查看原文:https://mp.weixin.qq.com/s/Ks9-SvaNuRSmEVW3hOV_jg

推荐阅读
关注数
3393
内容数
68
Tengine是一款轻量级模块化高性能的神经网络推理引擎 ;欢迎体验Tengine,[链接] 《Tengine开发者入门资料包》[链接]
目录
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
安谋科技学堂公众号
关注安谋科技学堂
实时获取安谋科技及 Arm 教学资源
安谋科技招聘公众号
关注安谋科技招聘
实时获取安谋科技中国职位信息