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

"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：

\[A={\left[ a_{ij}\right]_{m \times n}} \]

\[B={\left[ b_{ij}\right]_{n \times s}} \]

\[C= {A \times B}=\left[ c_{ij}\right]_{m \times s} \]

\[= \left[ \sum \limits_{k=1}^{n}a_{ik}b_{kj}\right]_{m \times s} \]

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:

\[ a^{'}{11} = \begin{pmatrix} a{11} & \cdots & a_{1blocks} \\ \vdots & \ddots &\vdots \\ a_{blocks1} & \cdots & a_{blocks_{ }blocks} \end{pmatrix} \]

其余以此类推，新矩阵\(A^{'}\)即变为

\[A^{'}=\begin{pmatrix} a^{'}{11} & \cdots & a^{'}{1n} \\ \vdots & \ddots & \vdots \\ a^{'}{m1} & \cdots & a^{'}{mn} \end{pmatrix} \]

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，

\[\begin{array}{c} C={A^{'}\times B^{'}}=\left[ c_{ij}\right]{m \times s} = \left[ \sum \limits{k=1}^{n}a^{'}{ik}b^{'}{kj}\right]_{m \times s} \end{array}\]

其中：

\[ a^{'}{ij} = \begin{pmatrix} a{[(i-1) \times blocks]{[(j-1)\times blocks]}} & \cdots & a_{[(i-1) \times blocks]{[j\times blocks]}} \\ \vdots & \ddots &\vdots \\ a_{[i\times blocks]{[(j-1)\times blocks]}} & \cdots & a_{[i\times blocks]{[j\times blocks]}} \end{pmatrix} \]

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：

1. min(m,n) \< blocks
2. \\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

\[p = min(blocks,M- i \times blocks) \]

\[q = min(blocks,N - j \times blocks) \]

其中，

\[M，N为被分块矩阵的行列 \]

\[i,j为分块矩阵a^{'}_{ij}的下标 \]

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：

\[\begin{pmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{pmatrix} \times \begin{pmatrix} b_{11} & b_{12} \\ b_{21} & b_{22} \end{pmatrix} = \begin{pmatrix} c_{11} & c_{12} \\ c_{21} &c_{22} \end{pmatrix} \]

传统计算需要8次乘法：

\[c_{11} = a_{11}\times b_{11} + a_{12}\times b_{21} \\ \]

\[c_{12} = a_{11}\times b_{12} + a_{12}\times b_{22} \\ \]

\[c_{21} = a_{21}\times b_{11} + a_{22}\times b_{21} \\ \]

\[c_{22} = a_{21}\times b_{12} + a_{22}\times b_{22} \\ \]

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：

\[\begin{align*} M_1 &= (a_{11} + a_{22})(b_{11} + b_{22}) \\ M_2 &= (a_{21} + a_{22})b_{11} \\ M_3 &= a_{11}(b_{12} - b_{22}) \\ M_4 &= a_{22}(b_{21} - b_{11}) \\ M_5 &= (a_{11} + a_{12})b_{22} \\ M_6 &= (a_{21} - a_{11})(b_{11} + b_{12}) \\ M_7 &= (a_{12} - a_{22})(b_{21} + b_{22}) \end{align*} \]

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：

\[c_{11} = M_1 + M_4 - M_5 + M_7 \\ \]

\[\begin{align*} &=(a_{11} + a_{22})(b_{11} + b_{22}) + a_{22}(b_{21} - b_{11}) - (a_{11} + a_{12})b_{22} + (a_{12} - a_{22})(b_{21} + b_{22}) \\ \end{align*}\]

\[\begin{align*} = & \ \ a_{11}b_{11} + \cancel{a_{11}b_{22}} + \cancel{a_{22}b_{11}} + \cancel{a_{22}b_{22}} \\ &+ \ \cancel{a_{22}b_{21}} - \cancel{a_{22}b_{11}} \\ &- \ \cancel{a_{11}b_{22}} - a_{12}b_{22} \\ &+ \ a_{12}b_{21} + \cancel{a_{12}b_{22}} - \cancel{a_{22}b_{21}} - \cancel{a_{22}b_{22}} \\ = & \ \ a_{11}b_{11} + a_{12}b_{21} \end{align*}\]

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

\[C= \begin{pmatrix} M_{1}+M_{4}-M_{5}+M_{7} & M_{3}+M_{5} \\ M_{2}+M_{4} & M_{1}-M_{2}+M_{3}+M_{6} \end{pmatrix} \]

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：1638416384 2（\(2^{14}\)）

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