Question

我正在探索python中的scipy.linalg.get_blas_function（）方法。但我注意到它在处理numpy int类型时遇到了一些困难。

输入

import scipy.linalg
import numpy as np

def blas(name, ndarray):
    arr = scipy.linalg.get_blas_funcs((name,), (ndarray,), dtype=ndarray.dtype)[0]
    return arr

blas_scal = blas('scal', np.array([], dtype=np.int32))
print "int32 --> %s" % (blas_scal.dtype)

blas_scal = blas('scal', np.array([], dtype=np.int64))
print "int64 --> %s" % (blas_scal.dtype)

blas_scal = blas('scal', np.array([], dtype=np.float32))
print "float32 --> %s" % (blas_scal.dtype)

blas_scal = blas('scal', np.array([], dtype=np.float64))
print "float64 --> %s" % (blas_scal.dtype)

输出

int32 --> float64
int64 --> float64
float32 --> float32
float64 --> float64

正如您所看到的，get_blas_funcs（）似乎在它是整数时忽略数据类型，并且只要您有任何类型的numpy整数就输出float64。但是，使用get_blas_funcs（）输入numpy float32或numpy64就可以了，并且在输出时不会更改dtype。

这里发生了什么？该函数如何处理数据类型？

Answer 1

一些一般性意见：

BLAS更像是一个规范而不是一个库
- 有很多实现（Atlas，OpenBLAS，MKL），或多或少都在同一个界面上工作
BLAS完全是关于浮点数学
- 可用前缀决定使用的类型（see top left）
- 有 S：单精度，D：双精度，C复数单精度和Z复数双精度
  - （支持sometimes混合类型，如：CS，ZD）
    - 例如，函数scasum使用复杂的输入数组并返回实际值。（上面的链接）
- 一般情况下，不支持整数类型！
  - 似乎有一些想法可以支持这些（链接：1，2），但肯定不常见（也许还没有强大/经过良好测试的支持）
  - 我非常确定在任何大型库（numpy，scipy，sklearn，pandas）中都没有单一的整数式BLAS用法，如果没有所有可能的BLAS支持的标准，这当然会很难 - 后端（正如我所说：多个候选人！）
这意味着：你要求的功能是不可用的（带有整数类型的scal）
- 这意味着：需要进行施法！
- 做了什么样的演员，是一个设计决定：
  - 这里似乎（如果需要，可能很容易检查代码）：
    - 如果键入其中一个受支持的，请保留
      - float32 - ＆gt; float32（S - > S）
      - float64 - ＆gt;浮动64（D - > D）
    - 如果不是：强制转换为双精度/ D（或多或少默认为numpy / scipy !;比单精度更常见;至少现在如此！）
使用BLAS是非常低级的，每个人都想要做到这一点需要确保理解正确的做法（不仅是类型;还有内存布局）！
- 与scipy's warning比较：警告这些函数几乎没有错误检查。通过误用它们可能导致崩溃，所以更喜欢使用scipy.linalg中的更高级例程。
此处有一些相关问题（显示这些缺失功能的含义）：Why is it faster to perform float by float matrix multiplication compared to int by int?

数据类型如何与scipy.linalg.get_blas_functions一起使用？

1 个答案: