一. 数据的存储方式

对于一个矩阵，在内存中有两种存储顺序：（下面图和表格摘自 https://en.wikipedia.org/wiki/Row-major_order）

对于下面的矩阵：

可以有两种存储方式：左为列优先，右为行优先。

顾名思义，列优先：优先按列存储，先存完第一列再存第二列，行优先同理。

C/C++中矩阵的存储为行优先，但cublas/Matlab中是列优先准则，在不同语言间读取数据时需要注意这点，同时在写Matlab时要尽量取一个二维数组的列，而不是行。

扩展到N维矩阵，列优先意味着存储时第一个维度先变化，即存储顺序为(0,0,0,...)、(1,0,0,...)、(max,0,0,...)、(0,1,0,...)、(1,1,0,...)，

行优先意味着最后一个维度先变化。

p.s：在处理数据时，说明数据的顺序需要表明:

        1）维度安排 

        2）是否是行\列优先

这两个信息缺一不可。

p.s:caffe的Blob、numpy的array、OpenCV的Mat都是和C语言一样，是行优先的。

p.s:貌似只有CUBLAS/Matlab中的矩阵是列优先,Eigen默认使用列优先存储，可以指定存储方式。

二. cublasSgemm的使用

在做人脸相似度比对时，需要求解人脸特征与注册人脸特征的余弦相似度。当注册人连库的规模达到百万千万的规模是该过程是很耗时的，我们可以采用GPU进行优化计算。优化策略如下：

     1. 多batch

     2. 利用cublasgemm加速计算

假设一个batch的三个人脸特征如A矩阵所述，人脸注册库特征如B所描述：

目标求解:

转化为：

                                                          d=norm(A).norm(B)

矩阵norm(A)：

矩阵norm(B):

由于cublas按照列优先存储，那么数据放到cublas内，如果我们再次按照按行优先取出来，那么我们会以为cublas对矩阵做了“转置”运算。

我们来看看caffe是怎么封装的：