主要观点：代码可在sgemm.c获取，此博客介绍在现代处理器上使用 FMA3 和 AVX2 向量指令优化多线程 FP32 矩阵乘法，实现在多种 x86 - 64 CPU 上有良好性能，需微调超参数，AVX - 512 CPU 上 BLAS 库可能更快且故意省略部分以支持更多处理器，展示了 Intel Core Ultra 265 和 AMD Ryzen 7 9700X 的性能结果。
关键信息：

• 介绍矩阵乘法在神经网络中的重要性及相关 BLAS 库。
• 详细说明安装和基准测试 OpenBLAS 的步骤及相关参数。
• 理论上计算 Ryzen 9700X 的理论峰值 FLOPS。
• 给出朴素矩阵乘法实现及核心的内核（kernel）概念和优化方法。
• 讨论内核大小选择及相关 SIMD FMA 指令实现。
• 介绍填充（padding）以处理不同矩阵尺寸情况。
• 阐述缓存阻塞（cache blocking）利用 CPU 缓存优化数据访问。
• 进行内核微优化，如显式展开数组等。
• 实现多线程矩阵乘法，并行化不同部分以提升性能。
  重要细节：
• 不同 BLAS 库的特点及 OpenBLAS 代码结构。
• 安装 OpenBLAS 时的注意事项及编译参数。
• 理论极限计算中关于 CPU 寄存器和 SIMD 扩展的说明。
• 内核实现中各种向量寄存器和指令的使用及作用。
• 填充时不同情况下的处理方式及相关函数使用。
• 缓存阻塞中各层缓存及数据访问的细节。
• 多线程实现中不同循环的并行化及参数选择。