问题标签 [openblas]

在许多网站上，他们谈论犰狳+其他东西。他们的意思是什么？

我以以下形式使用犰狳库

在 Linux 环境下。

在这个网站

http://nghiaho.com/?p=1726

Armadillo+OpenBLAS提到。他们的意思是什么？如何使用Armadillo+OpenBLAS？

更新

现在是一年多之后。我只是添加这一点，它Armadillo是对诸如BLASor之类的实现的包装OpenBLAS。它不是矩阵运算实现。

我想知道是否可以在（Python）运行时更改 OpenBLAS 在 numpy 后面使用的最大线程数？

我知道可以在通过环境变量运行解释器之前设置它OMP_NUM_THREADS，但我想在运行时更改它。

通常，当使用 MKL 而不是 OpenBLAS 时，可以：

我做了两个安装：

1. brew install numpy（和 scipy）--with-openblas
2. 克隆 GIT 存储库（用于 numpy 和 scipy）并自己构建

在我克隆了两个方便的脚本以在多线程环境中验证这些库之后：

然后对于我正在执行的每个安装show_config：

安装 1 一切都很好：

但是安装 2 的事情就不那么亮了：

因此，似乎当我未能正确链接 OpenBLAS 时。但是现在还好，这里是性能结果。所有测试均在 iMac、Yosemite、i7-4790K、4 核、超线程上进行。

首次安装 OpenBLAS：

麻木：

密码：

没有 OpenBLAS 的第二次安装：

麻木：

密码：

令我惊讶的是，第二种情况比第一种更快。在 scipy 的情况下，添加更多内核后性能没有提高，但即使是一个内核也比 OpenBLAS 中的 4 个内核更快。

有谁知道为什么会这样？

我同时安装了 BLAS 和 OpenBLAS：

但是，NumPy 仍然说 OpenBLAS 不可用：

我怎样才能解决这个问题？

我不认为我可以卸载libblas3，因为很多东西都依赖于它，包括libblas-dev，甚至libopenblas-dev依赖于它。

我试过

但这没有帮助。

这尤其令人惊讶，因为链接到 OpenBLAS的所有*.so文件：numpy

我发现使用 BLAS/ATLAS/MKL/OPENBLAS 之一会提高 R 的速度。但是，它是否仍会改进用 C 或 C++ 编写的 R 包？例如，R 包 Glmnet 用 FORTRAN 实现，R 包 rpart 用 C++ 实现。只是安装 BLAS/...等会提高执行时间吗？还是我们必须重建（构建新的 C 代码）基于 BLAS/...等的包？

我用（从系统）安装Numpy（在 virtualenv中）。envOpenBlas

编辑site.cfg：

然后，numpy使用pip. 此外，numpy通过系统安装（使用blas）。我用这个脚本测试时间。在这两种情况下，我都有相同的时间。我检查了一下，系统使用Blas和 virtualenv 使用OpenBlas. 为什么需要同样的时间？

我使用 Debian 测试和 python 2.7.9

我安装了 OpenBlas 并可以编译链接到 OpenBlas 的 C 程序使用

如果我尝试使用 g++ 和相同的链接器选项链接 c++ 程序，我会收到错误消息：

有什么提示吗？

我需要将犰狳（当前版本为 5.100.1）作为 $HOME（集群应用程序，并且不能安装在每个计算节点上，但 $HOME 是共享文件夹）中的本地库提供。我正在使用 cmake 来管理应用程序，并且已经能够让 cmake 链接到 $HOME（例如 boost）中的本地库，而不是其他地方就好了。犰狳需要 BLAS 和 LAPACK，尽管它可以同时使用（实际上也建议使用）OpenBLAS。但是，我不明白如何强制犰狳使用 OpenBLAS，即使它自己的 cmake .configure 确认它已找到 OpenBLAS。这是在原始犰狳文件夹上运行 ./configure 的输出：

所以它成功地在 $HOME 中找到它，但是如果我在之后查询库到共享库的链接

我看到它已链接到登录节点的 BLAS 和 LAPACK 标准副本，但没有使用 OpenBLAS：

不幸的是，libblas.so.3 和 liblapack.so.3 在节点上不可用：

如何强制犰狳编译并链接到我的本地 OpenBLAS 副本，而不是 /usr/lib64 中 BLAS 和 LAPACK 的标准副本。常见问题解答中有一条说明指出

但从以上结果来看，似乎并非如此。谁能指出我在这里做错了什么？

我最近在学习深度学习，我的朋友向我推荐了 caffe。使用 OpenBLAS 安装后，我按照文档中的教程MNIST 任务进行操作。但后来我发现它超级慢，只有一个 CPU 内核在工作。

问题是我实验室的服务器没有 GPU，所以我必须使用 CPU。

我用谷歌搜索了这个并得到了一些这样的页面。我试着export OPENBLAS_NUM_THREADS=8和export OMP_NUM_THREADS=8。但是 caffe 仍然使用一个核心。

如何让 caffe 使用多 CPU？

非常感谢。

我已经用 OpenBlas 编译了 numpy，我想知道为什么 einsum 比 dot 慢得多（我理解 3 个索引的情况，但我不明白为什么它在两个索引的情况下性能也较低）？这里有一个例子：

有没有办法让 einsum 使用 OpenBlas 和像 numpy.dot 这样的并行化？如果 np.einsum 注意到点积，为什么它不只是调用 np.dot ？