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
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。
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。
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
