与其他许多人一样，我为自己购买了新的Ryzen CPU。我需要使用Anaconda Python作为我的博士学位（以及Tensorflow等）。由于Anaconda现在已经预包装了MKL，这在AMD CPU上运行缓慢，因此什么是用openblas设置Anaconda环境并链接numpy和scikit-learn，同时保持所有其他软件包不变的最佳方法是什么？
我发现以下帖子都指向以某种方式安装某些软件包。
https://anaconda.org/anaconda/nomkl
答案 0 :(得分：1)
放弃MKL的另一种方法是，通过告诉MKL使用与Ryzen兼容的指令集，从而使其在Ryzen CPU上的运行速度更快。通过做
conda install mkl -c intel --no-update-deps
set MKL_DEBUG_CPU_TYPE=5
我发现在Windows 10下，我的Ryzen CPU上使用numpy / theano / PyMC3的速度提高了15倍，而默认的初始miniconda安装速度提高了。
答案 1 :(得分：1)
reddit上的这篇文章对正在发生的事情有更全面的解释，但是由于MKL对非Intel设备造成了令人讨厌的事情，因此这只是您的终端中的一个班轮，可以诱使MKL认为您是Intel系统。 https://www.reddit.com/r/MachineLearning/comments/f2pbvz/discussion_workaround_for_mkl_on_amd/
WINDOWS：
打开具有 admin 权限的命令提示符（CMD）并输入：
setx /M MKL_DEBUG_CPU_TYPE 5
这样做将使更改永久生效，并且可以使用系统上的MKL应用于所有程序，直到您再次从变量中删除条目为止。
LINUX：
只需输入一个终端：
export MKL_DEBUG_CPU_TYPE=5
从终端的同一实例运行脚本之前。
Linux永久解决方案：
echo 'export MKL_DEBUG_CPU_TYPE=5' >> ~/.profile
将在整个配置文件中应用设置。
一些重点内容，因为我认为您可以单击链接以阅读全文：
“但是，默认情况下，许多软件包随附的数字库是Intel MKL。众所周知，该MKL在AMD CPU上运行缓慢，从而导致某些操作。这是因为Intel MKL使用的是有区别的CPU调度程序高效的代码路径，取决于CPU的SIMD支持，但基于供应商字符串查询的结果。如果CPU来自AMD，则MKL不会使用SSE3-SSE4或AVX1 / 2扩展名，但无论是否AMD CPU是否支持像AVX2这样的更有效的SIMD扩展。
此处提供的方法由MKL强制提供AVX2支持，与供应商字符串结果无关，并且只需不到一分钟的时间即可应用。如果您拥有基于Zen / Zen + / Zen2 µArch Ryzen / Threadripper的AMD CPU，这将极大地提高您的性能。”