parent
67ac34fcfa
commit
ea0ef2a41e
@ -0,0 +1,312 @@
|
|||||||
|
#include <stdint.h>
|
||||||
|
#include <stdio.h>
|
||||||
|
#include <assert.h>
|
||||||
|
#include <stdlib.h>
|
||||||
|
#include <string.h>
|
||||||
|
#include <time.h>
|
||||||
|
#include <math.h>
|
||||||
|
|
||||||
|
#include <sys/time.h>
|
||||||
|
|
||||||
|
#include <arm_neon.h>
|
||||||
|
|
||||||
|
#include <Accelerate/Accelerate.h>
|
||||||
|
|
||||||
|
const int M = 1280;
|
||||||
|
const int N = 1500;
|
||||||
|
const int K = 1280;
|
||||||
|
|
||||||
|
//
|
||||||
|
// naive implementation
|
||||||
|
//
|
||||||
|
|
||||||
|
void mul_mat_vec_f32_0(
|
||||||
|
const float * restrict src0, // M x K
|
||||||
|
const float * restrict src1, // N x K (transposed)
|
||||||
|
float * dst,
|
||||||
|
int m, int n, int k) {
|
||||||
|
for (int i = 0; i < m; i++) {
|
||||||
|
for (int j = 0; j < n; j++) {
|
||||||
|
float sum = 0;
|
||||||
|
for (int l = 0; l < k; l++) {
|
||||||
|
sum += src0[i*k + l] * src1[j*k + l];
|
||||||
|
}
|
||||||
|
dst[i*n + j] = sum;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
void mul_mat_vec_f16_0(
|
||||||
|
const __fp16 * src0,
|
||||||
|
const __fp16 * src1,
|
||||||
|
float * dst,
|
||||||
|
int m, int n, int k) {
|
||||||
|
const int k32 = k & ~31;
|
||||||
|
|
||||||
|
for (int i = 0; i < m; i++) {
|
||||||
|
for (int j = 0; j < n; j++) {
|
||||||
|
float sumf = 0.0;
|
||||||
|
|
||||||
|
float16x8_t sum0 = vdupq_n_f16(0.0f);
|
||||||
|
float16x8_t sum1 = vdupq_n_f16(0.0f);
|
||||||
|
float16x8_t sum2 = vdupq_n_f16(0.0f);
|
||||||
|
float16x8_t sum3 = vdupq_n_f16(0.0f);
|
||||||
|
|
||||||
|
float16x8_t x0, x1, x2, x3;
|
||||||
|
float16x8_t y0, y1, y2, y3;
|
||||||
|
|
||||||
|
const __fp16 * restrict p0 = src0 + i*k;
|
||||||
|
const __fp16 * restrict p1 = src1 + j*k;
|
||||||
|
|
||||||
|
for (int l = 0; l < k32; l += 32) {
|
||||||
|
x0 = vld1q_f16(p0 + l + 0 );
|
||||||
|
x1 = vld1q_f16(p0 + l + 8 );
|
||||||
|
x2 = vld1q_f16(p0 + l + 16);
|
||||||
|
x3 = vld1q_f16(p0 + l + 24);
|
||||||
|
|
||||||
|
y0 = vld1q_f16(p1 + l + 0 );
|
||||||
|
y1 = vld1q_f16(p1 + l + 8 );
|
||||||
|
y2 = vld1q_f16(p1 + l + 16);
|
||||||
|
y3 = vld1q_f16(p1 + l + 24);
|
||||||
|
|
||||||
|
sum0 = vfmaq_f16(sum0, x0, y0);
|
||||||
|
sum1 = vfmaq_f16(sum1, x1, y1);
|
||||||
|
sum2 = vfmaq_f16(sum2, x2, y2);
|
||||||
|
sum3 = vfmaq_f16(sum3, x3, y3);
|
||||||
|
}
|
||||||
|
|
||||||
|
// reduce sum0..sum3 to sum0
|
||||||
|
sum0 = vaddq_f16(sum0, sum1);
|
||||||
|
sum2 = vaddq_f16(sum2, sum3);
|
||||||
|
sum0 = vaddq_f16(sum0, sum2);
|
||||||
|
|
||||||
|
// load sum0 into 2 float32x4_t
|
||||||
|
float32x4_t sum0f32 = vcvt_f32_f16(vget_low_f16(sum0));
|
||||||
|
float32x4_t sum1f32 = vcvt_f32_f16(vget_high_f16(sum0));
|
||||||
|
|
||||||
|
// reduce sum0f32 and sum1f32 to sumf
|
||||||
|
sum0f32 = vaddq_f32(sum0f32, sum1f32);
|
||||||
|
|
||||||
|
float32x2_t sumf32 = vadd_f32(vget_low_f32(sum0f32), vget_high_f32(sum0f32));
|
||||||
|
sumf = vget_lane_f32(sumf32, 0) + vget_lane_f32(sumf32, 1);
|
||||||
|
|
||||||
|
//sumf = sum0[0] + sum0[1] + sum0[2] + sum0[3] + sum0[4] + sum0[5] + sum0[6] + sum0[7];
|
||||||
|
|
||||||
|
for (int l = k32; l < k32; l++) {
|
||||||
|
sumf += p0[l]*p1[l];
|
||||||
|
}
|
||||||
|
|
||||||
|
dst[i*n + j] = sumf;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
// blocking with block size 32
|
||||||
|
void mul_mat_vec_f16_1(
|
||||||
|
const __fp16 * src0,
|
||||||
|
const __fp16 * src1,
|
||||||
|
float * dst,
|
||||||
|
int m, int n, int k) {
|
||||||
|
|
||||||
|
const int k32 = k & ~31;
|
||||||
|
const int bs = 32;
|
||||||
|
|
||||||
|
memset(dst, 0, m*n*sizeof(float));
|
||||||
|
|
||||||
|
for (int i = 0; i < m; i += bs) {
|
||||||
|
for (int j = 0; j < n; j += bs) {
|
||||||
|
for (int l = 0; l < k; l += bs) {
|
||||||
|
for (int ii = i; ii < i + bs; ii++) {
|
||||||
|
const __fp16 * restrict p0 = src0 + ii*k;
|
||||||
|
|
||||||
|
float16x8_t x0, x1, x2, x3;
|
||||||
|
|
||||||
|
x0 = vld1q_f16(p0 + l + 0 );
|
||||||
|
x1 = vld1q_f16(p0 + l + 8 );
|
||||||
|
x2 = vld1q_f16(p0 + l + 16);
|
||||||
|
x3 = vld1q_f16(p0 + l + 24);
|
||||||
|
|
||||||
|
for (int jj = j; jj < j + bs; jj++) {
|
||||||
|
float sumf = 0.0;
|
||||||
|
|
||||||
|
float16x8_t sum0 = vdupq_n_f16(0.0f);
|
||||||
|
float16x8_t sum1 = vdupq_n_f16(0.0f);
|
||||||
|
float16x8_t sum2 = vdupq_n_f16(0.0f);
|
||||||
|
float16x8_t sum3 = vdupq_n_f16(0.0f);
|
||||||
|
|
||||||
|
float16x8_t y0, y1, y2, y3;
|
||||||
|
|
||||||
|
const __fp16 * restrict p1 = src1 + jj*k;
|
||||||
|
|
||||||
|
y0 = vld1q_f16(p1 + l + 0 );
|
||||||
|
y1 = vld1q_f16(p1 + l + 8 );
|
||||||
|
y2 = vld1q_f16(p1 + l + 16);
|
||||||
|
y3 = vld1q_f16(p1 + l + 24);
|
||||||
|
|
||||||
|
sum0 = vfmaq_f16(sum0, x0, y0);
|
||||||
|
sum1 = vfmaq_f16(sum1, x1, y1);
|
||||||
|
sum2 = vfmaq_f16(sum2, x2, y2);
|
||||||
|
sum3 = vfmaq_f16(sum3, x3, y3);
|
||||||
|
|
||||||
|
// reduce sum0..sum3 to sum0
|
||||||
|
sum0 = vaddq_f16(sum0, sum1);
|
||||||
|
sum2 = vaddq_f16(sum2, sum3);
|
||||||
|
sum0 = vaddq_f16(sum0, sum2);
|
||||||
|
|
||||||
|
// load sum0 into 2 float32x4_t
|
||||||
|
float32x4_t sum0f32 = vcvt_f32_f16(vget_low_f16(sum0));
|
||||||
|
float32x4_t sum1f32 = vcvt_f32_f16(vget_high_f16(sum0));
|
||||||
|
|
||||||
|
// reduce sum0f32 and sum1f32 to sumf
|
||||||
|
sum0f32 = vaddq_f32(sum0f32, sum1f32);
|
||||||
|
|
||||||
|
float32x2_t sumf32 = vadd_f32(vget_low_f32(sum0f32), vget_high_f32(sum0f32));
|
||||||
|
sumf = vget_lane_f32(sumf32, 0) + vget_lane_f32(sumf32, 1);
|
||||||
|
|
||||||
|
//sumf = sum0[0] + sum0[1] + sum0[2] + sum0[3] + sum0[4] + sum0[5] + sum0[6] + sum0[7];
|
||||||
|
|
||||||
|
dst[ii*n + jj] += sumf;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
}
|
||||||
|
|
||||||
|
void mul_mat_vec_f8_0(
|
||||||
|
const uint8_t * src0,
|
||||||
|
const uint8_t * src1,
|
||||||
|
float * dst,
|
||||||
|
int m, int n, int k) {
|
||||||
|
const int k32 = k & ~31;
|
||||||
|
|
||||||
|
for (int i = 0; i < m; i++) {
|
||||||
|
for (int j = 0; j < n; j++) {
|
||||||
|
float sumf = 0.0;
|
||||||
|
|
||||||
|
const uint8_t * restrict p0 = src0 + i*k;
|
||||||
|
const uint8_t * restrict p1 = src1 + j*k;
|
||||||
|
|
||||||
|
for (int l = 0; l < k32; l += 32) {
|
||||||
|
uint8x16_t x0 = vld1q_u8(p0 + l + 0 );
|
||||||
|
uint8x16_t x1 = vld1q_u8(p0 + l + 16);
|
||||||
|
|
||||||
|
uint8x16_t y0 = vld1q_u8(p1 + l + 0 );
|
||||||
|
uint8x16_t y1 = vld1q_u8(p1 + l + 16);
|
||||||
|
|
||||||
|
x0 = vmulq_u8(x0, y0);
|
||||||
|
x1 = vmulq_u8(x1, y1);
|
||||||
|
|
||||||
|
sumf += vaddvq_u8(x0) + vaddvq_u8(x1);
|
||||||
|
}
|
||||||
|
|
||||||
|
dst[i*n + j] = sumf;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
uint64_t get_time_us() {
|
||||||
|
struct timeval tv;
|
||||||
|
gettimeofday(&tv, NULL);
|
||||||
|
return tv.tv_sec * 1000000 + tv.tv_usec;
|
||||||
|
}
|
||||||
|
|
||||||
|
int main(int argc, const char ** argv) {
|
||||||
|
float * src0 = (float *)malloc(sizeof(float)*M*K);
|
||||||
|
float * src1 = (float *)malloc(sizeof(float)*N*K);
|
||||||
|
float * dst = (float *)malloc(sizeof(float)*M*N);
|
||||||
|
|
||||||
|
for (int i = 0; i < M*K; i++) {
|
||||||
|
src0[i] = rand() / (float)RAND_MAX;
|
||||||
|
}
|
||||||
|
|
||||||
|
for (int i = 0; i < N*K; i++) {
|
||||||
|
src1[i] = rand() / (float)RAND_MAX;
|
||||||
|
}
|
||||||
|
|
||||||
|
// convert src0 and src1 to __fp16
|
||||||
|
__fp16 * src0_fp16 = (__fp16 *)(malloc(sizeof(__fp16)*M*K));
|
||||||
|
__fp16 * src1_fp16 = (__fp16 *)(malloc(sizeof(__fp16)*N*K));
|
||||||
|
|
||||||
|
uint8_t * src0_fp8 = (uint8_t *)(malloc(sizeof(__fp16)*M*K));
|
||||||
|
uint8_t * src1_fp8 = (uint8_t *)(malloc(sizeof(__fp16)*N*K));
|
||||||
|
|
||||||
|
{
|
||||||
|
const uint64_t t_start = get_time_us();
|
||||||
|
|
||||||
|
for (int i = 0; i < M*K; i++) {
|
||||||
|
src0_fp16[i] = src0[i];
|
||||||
|
//printf("%f %f\n", src0[i], src0_fp16[i]);
|
||||||
|
//assert(!isnan(src0_fp16[i]));
|
||||||
|
}
|
||||||
|
|
||||||
|
for (int i = 0; i < N*K; i++) {
|
||||||
|
src1_fp16[i] = src1[i];
|
||||||
|
}
|
||||||
|
|
||||||
|
const uint64_t t_end = get_time_us();
|
||||||
|
printf("convert time: %f ms\n", (t_end - t_start) / 1000.0);
|
||||||
|
}
|
||||||
|
|
||||||
|
for (int i = 0; i < 16; ++i) {
|
||||||
|
printf("%f %f\n", src0[i], src0_fp16[i]);
|
||||||
|
}
|
||||||
|
|
||||||
|
int method = 0;
|
||||||
|
if (argc > 1) {
|
||||||
|
method = atoi(argv[1]);
|
||||||
|
}
|
||||||
|
|
||||||
|
const int nIter = 10000;
|
||||||
|
|
||||||
|
const clock_t start = clock();
|
||||||
|
const uint64_t start_us = get_time_us();
|
||||||
|
|
||||||
|
double iM = 1.0/M;
|
||||||
|
double sum = 0.0f;
|
||||||
|
for (int i = 0; i < nIter; i++) {
|
||||||
|
if (method == 0) {
|
||||||
|
mul_mat_vec_f32_0(src0, src1, dst, M, N, K);
|
||||||
|
}
|
||||||
|
|
||||||
|
if (method == 1) {
|
||||||
|
mul_mat_vec_f16_0(src0_fp16, src1_fp16, dst, M, N, K);
|
||||||
|
}
|
||||||
|
|
||||||
|
if (method == 2) {
|
||||||
|
mul_mat_vec_f16_1(src0_fp16, src1_fp16, dst, M, N, K);
|
||||||
|
}
|
||||||
|
|
||||||
|
if (method == 3) {
|
||||||
|
mul_mat_vec_f8_0(src0_fp8, src1_fp8, dst, M, N, K);
|
||||||
|
}
|
||||||
|
|
||||||
|
if (method == 4) {
|
||||||
|
// Use BLAS sgemm from Accelerate framework
|
||||||
|
cblas_sgemm(CblasRowMajor, CblasNoTrans, CblasNoTrans, M, K, N, 1.0f, src0, N, src1, N, 0.0f, dst, N);
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
for (int i = 0; i < N; i++) {
|
||||||
|
sum += dst[i]*iM;
|
||||||
|
}
|
||||||
|
|
||||||
|
{
|
||||||
|
const clock_t end = clock();
|
||||||
|
const uint64_t end_us = get_time_us();
|
||||||
|
printf("%s: elapsed ticks: %ld\n", __func__, end - start);
|
||||||
|
printf("%s: elapsed us: %llu / %f ms\n", __func__, end_us - start_us, (end_us - start_us) / 1000.0 / nIter);
|
||||||
|
}
|
||||||
|
|
||||||
|
printf("%f\n", sum);
|
||||||
|
|
||||||
|
free(src0);
|
||||||
|
free(src1);
|
||||||
|
free(dst);
|
||||||
|
|
||||||
|
free(src0_fp16);
|
||||||
|
free(src1_fp16);
|
||||||
|
|
||||||
|
return 0;
|
||||||
|
}
|
Loading…
Reference in new issue