这类问题反复出现，应该比 Stack Overflow 上一次“MATLAB 使用高度优化的库”或“MATLAB 使用 MKL”更清楚地回答。
历史：
矩阵乘法（连同矩阵向量、向量向量乘法和许多矩阵分解）是（是）线性代数中最重要的问题。从早期开始，工程师就一直在用计算机解决这些问题。
我不是历史专家，但显然在那时，每个人都只是用简单的循环重写了他的 FORTRAN 版本。随后出现了一些标准化，并确定了大多数线性代数问题需要解决的“内核”（基本例程）。这些基本操作随后在称为基本线性代数子程序 (BLAS) 的规范中标准化。然后，工程师可以在他们的代码中调用这些标准的、经过良好测试的 BLAS 例程，从而使他们的工作变得更加容易。
布拉斯：
BLAS从level 1（定义标量向量和向量向量运算的第一个版本）到level 2（向量矩阵运算）再到level 3（矩阵矩阵运算），并提供越来越多的“内核”，因此更加标准化以及更多基本的线性代数运算。最初的 FORTRAN 77 实现仍然可以在Netlib 的网站上找到。
实现更好的性能：
所以多年来（特别是在 BLAS 1 级和 2 级版本之间：80 年代初），随着向量操作和缓存层次结构的出现，硬件发生了变化。这些演变使得大幅提高 BLAS 子程序的性能成为可能。然后，不同的供应商推出了他们的 BLAS 例程实现，这些例程越来越高效。
我不知道所有的历史实现（那时我还不是出生或孩子），但在 2000 年代初期出现了两个最著名的实现：英特尔 MKL 和 GotoBLAS。您的 Matlab 使用英特尔 MKL，这是一个非常好的优化 BLAS，这解释了您所看到的出色性能。
矩阵乘法的技术细节：
那么为什么Matlab（MKL）在dgemm（双精度通用矩阵-矩阵乘法）上如此之快？简单来说：因为它使用矢量化和良好的数据缓存。用更复杂的术语：请参阅Jonathan Moore 提供的文章。
基本上，当您在提供的 C++ 代码中执行乘法运算时，您根本不适合缓存。由于我怀疑您创建了一个指向行数组的指针数组，因此您在内部循环中对“matice2”的第 k 列的访问：matice2[m][k]非常慢。实际上，当您访问 时matice2[0][k]，您必须获取矩阵数组 0 的第 k 个元素。然后在下一次迭代中，您必须访问matice2[1][k]，它是另一个数组（数组 1）的第 k 个元素。然后在下一次迭代中，您访问另一个数组，依此类推...由于整个矩阵matice2无法放入最高缓存（它的8*1024*1024字节很大），因此程序必须从主内存中获取所需的元素，从而丢失很多时间。
如果您只是转置矩阵，以便访问将在连续的内存地址中进行，那么您的代码已经运行得更快，因为现在编译器可以同时在缓存中加载整行。试试这个修改后的版本：
timer.start();
float temp = 0;
//transpose matice2
for (int p = 0; p < rozmer; p++)
{
for (int q = 0; q < rozmer; q++)
{
tempmat[p][q] = matice2[q][p];
}
}
for(int j = 0; j < rozmer; j++)
{
for (int k = 0; k < rozmer; k++)
{
temp = 0;
for (int m = 0; m < rozmer; m++)
{
temp = temp + matice1[j][m] * tempmat[k][m];
}
matice3[j][k] = temp;
}
}
timer.stop();
因此，您可以看到缓存局部性如何显着提高了代码的性能。现在，真正的dgemm实现将其利用到了非常广泛的水平：它们对由 TLB 大小定义的矩阵块执行乘法运算（翻译后备缓冲区，长话短说：可以有效缓存的内容），以便它们流式传输到处理器它可以处理的数据量。另一方面是向量化，它们使用处理器的向量化指令来获得最佳指令吞吐量，这是跨平台 C++ 代码无法做到的。
最后，有人声称这是因为 Strassen 或 Coppersmith-Winograd 算法是错误的，由于上述硬件考虑，这两种算法在实践中都无法实现。
