关于矩阵乘优化的相关分析.docVIP

关于矩阵乘优化验证两种矩阵乘优化方法矩阵分块和循环展开混合使用能否实现优化目的；用SSE指令或AVX指令优化矩阵乘；使用GCC编译器自带的优化功能优化矩阵乘．（１）（１） 实验任务（２），（３） 实验任务（２），（３） 实验截图： 实验任务一结果截图： 实验任务二结果截图： 矩阵乘128*128优化前后时间对比（共十次实验） 矩阵乘256*256优化前后时间对比（共十次实验） 矩阵乘512*512优化前后时间对比（共十次实验） 三参数说明： 矩阵乘1024*1024在不同优化级别上的执行时间 矩阵乘1025*1025在不同优化级别上的执行时间 矩阵乘2048*2048在不同优化级别上的执行时间 矩阵乘2049*2049在不同优化级别上的执行时间 实验任务(1)结果分析： 优化级别及运行时间 矩阵乘规模 循环展开 分块循环展开 128*128 0.015s 0.016s 0.00s 256*256 0.203s 0.093s 0.125s 512*512 1.359s 0.844s 0.688s 1024*1024 40.4s 26.392s 20.251s 说明：循环展开是内层循环每次做4个乘法； 分块是分成4块； 分块循环展开是分成4块，然后内层循环每次做个4个乘法。 通过以上表格对比发现，结合分块和循环展开的矩阵乘拥有更好的优化效果。 实验任务(2)结果分析： 　　Intel公司的单指令多数据流式扩展（SSE，Streaming SIMD Extensions）技术能够有效增强CPU浮点运算的能力，而SIMD（single-instruction, multiple-data）是一种使用单道指令处理多道数据流的CPU执行模式，即在一个CPU指令执行周期内用一道指令完成处理多个数据的操作，所以使用SSE指令矩阵乘进行优化能提高矩阵乘的性能． 矩阵乘128*128在优化之前的平均运行时间约为19ms,使用SSE指令优化之后平均运行时间为16ms．优化效率为(19-16)/19=15.7%. 　　矩阵乘256*256在优化之前的平均运行时间约为126.4ms,使用SSE指令优化之后平均运行时间为95ms．优化效率为(126.4-95)/126.4=24.8%. 矩阵乘512*512在优化之前的平均运行时间约为1097.8ms,使用SSE指令优化之后平均运行时间为759.8ms．优化效率为(1097.8-759.8)/1097.8=30.8%. 可以看出，随着矩阵乘规模的增大，SSE指令优化的效果在不断提高． 实验任务(3)结果分析： 优化级别及运行时间 矩阵乘规模 O0 O1 O2 O3 优化效率(O3) 1024*1024 31.92s 12.8s 13.1s 12.9s 59.5% 1025*1025 7.44s 2.07s 2.05s 2.06s 72.3% 2048*2048 266.6s 117.7s 117.8s 117.9s 55.8% 2049*2049 59.2s 18.35s 18.46s 18.52s 68.7% 从实验结果可以看出，排除噪声干扰不同级别的优化结果基本一致，并且不同规模的矩阵乘优化效率不一样，如果矩阵乘规模是cache块大小的整数倍则优化效率较低.