使用 Neon Intrinsics 函数改写矩阵乘法

Neon Intrinsics 是用于在 ARM 架构上优化运算的一组函数，其中包括加减乘除、矩阵乘法等。为了使用 Neon Intrinsics 函数改写矩阵乘法，你可以使用以下代码作为参考：

#include <arm_neon.h>

void neon_matrix_multiply(float* A, float* B, float* C, int N, int M, int K) {
    for (int i = 0; i < N; i++) {
        for (int j = 0; j < K; j++) {
            float32x4_t c = vdupq_n_f32(0.0);

            for (int k = 0; k < M; k += 4) {
                float32x4_t a = vld1q_f32(&A[i * M + k]);
                float32x4x4_t b = vld4q_f32(&B[k * K + j * 4]);
                
                c = vmlaq_f32(c, b.val[0], a);
                c = vmlaq_f32(c, b.val[1], a);
                c = vmlaq_f32(c, b.val[2], a);
                c = vmlaq_f32(c, b.val[3], a);
            }

            C[i * K + j] = vgetq_lane_f32(c, 0) + vgetq_lane_f32(c, 1) + vgetq_lane_f32(c, 2) + vgetq_lane_f32(c, 3);
        }
    }
}

上述代码使用了 `float32x4_t` 类型来存储和计算矩阵，其中 `vld1q_f32` 和 `vld4q_f32` 分别是从内存中读取 4 个 float 类型数据和 4x4 矩阵的函数，`vmlaq_f32` 是乘加操作，`vgetq_lane_f32` 是从向量中获取指定下标的数值。

用上述代码替换掉普通的矩阵乘法即可实现 Neon Intrinsics 优化的矩阵乘法。