Question

我读过here，重要的是“确保numpy在系统上使用BLAS / LAPACK库的优化版本。”

当我输入时：

import numpy as np
np.__config__.show()

我得到以下结果：

blas_mkl_info:
  NOT AVAILABLE
blis_info:
  NOT AVAILABLE
openblas_info:
    libraries = ['openblas', 'openblas']
    library_dirs = ['/home/anaconda3/lib']
    language = c
    define_macros = [('HAVE_CBLAS', None)]
blas_opt_info:
    libraries = ['openblas', 'openblas']
    library_dirs = ['/home/anaconda3/lib']
    language = c
    define_macros = [('HAVE_CBLAS', None)]
lapack_mkl_info:
  NOT AVAILABLE
openblas_lapack_info:
    libraries = ['openblas', 'openblas']
    library_dirs = ['/home/anaconda3/lib']
    language = c
    define_macros = [('HAVE_CBLAS', None)]
lapack_opt_info:
    libraries = ['openblas', 'openblas']
    library_dirs = ['/home/anaconda3/lib']
    language = c
    define_macros = [('HAVE_CBLAS', None)]

这是否意味着我的numpy版本使用的是优化的BLAS / LAPACK库，如果没有，我如何设置numpy使其使用优化的版本？

Answer 1

种类。 OpenBLAS很好。我刚上了第一个链接，我可以在Google上找到“ OpenBLAS，ATLAS，MKL比较”。

http://markus-beuckelmann.de/blog/boosting-numpy-blas.html

现在，这还不是全部。根据所需要的算法，差异可能不会/会略有不同/相差很大。实际上，除了运行针对不同实现的链接的自己的代码外，没有什么可以做的。

在各种线性代数问题，SVD，Eig，实数和伪取反，因式分解...在不同操作系统上的单核/多核方面，我的平均偏爱：

MacOS：加速的框架（与OS一起提供） Linux / Windows：

MKL
距离远，但仍然安静：ATLAS和OpenBLAS相当
即使在AMD处理器上，ACML始终令我感到失望

TLDR：您的设置很好。但是，如果您想从CPU / RAM /主板组合中挤出最后一滴血，则需要MKL。它当然带有相当大的价格标签，但是如果您得到的硬件回报是价格的一半，也许值得。而且，如果您编写了一个开源软件包，则可以出于开发目的免费使用MKL。

Answer 2

要跟踪在MacOS上加载了哪些库，

export DYLD_PRINT_LIBRARIES  # see man dyld

并查看库xx.dylib或xx.so会依次加载什么，

otool -L xx.dylib

（对不起，不了解其他平台）。

一个不同的问题是，这有关系吗？ MacOS Accelerate，Openblas，MKL ...有何不同？使用不同的用户问题，库，编译器，多核，内存...是一个很高的要求。有谁知道网络上的广泛测试平台？

另请参阅：
google openblas benchmark macos python： 31000 ...

numpy-site.cfg （由pip-> setup.py使用）提到了几种BLAS / LAPACK替代方案，其中“尚未通过NumPy或SciPy进行基准测试”。

Numpy and scipy dropped support for Accelerate 在2018年。

不确定我的Python / numpy版本是否使用优化的BLAS / LAPACK库？

2 个答案: