基础篇 | 15 C++ 科学计算 - OpenBLAS的安装与使用

BLAS简介

类似于Anaconda里面的numpy，C++里面也有类似的矩阵运算库，称之为BLAS（Basic Linear Algebra Subprograms）：基础线性代数子程序库。
支持的数据类型有：

• 单精度浮点数（float）
• 双精度浮点数（double）
• 单精度复数
• 双精度复数

在机器学习里面一般我们只用float类型，很少使用double，考虑到性能，我们认为float的精度已经够了，而且速度快。
还有一个更高级的叫LAPACK，现在我们常用的BLAS其实就是LAPACK里面的一部分。

BLAS支持对子程序的封装，其实就是子函数了，它的子程序分类：

• Level1: 标量操作、向量操作、向量-向量操作
• Level2：矩阵-向量操作
• Level3: 矩阵-矩阵操作

BLAS的实现

BLAS：标准实现（Fortran）
CBLAS：C的BLAS标准实现
Atlas：一种优化实现
GotoBLAS：多线程性能良好的优化实现（已停止更新）
OpenBLAS：目前性能最好的开源实现，基于GotoBLAS
MKL：Intel实现，在Intel处理器上性能最佳

各种BLAS实现的优劣对比

市面上的BLAS实现非常多，最早是用Fortran。

CBLAS是C的BLAS标准实现，但是这种实现有个缺点，速度非常慢。

Atlas：比C要好，但不够好。比如腾讯QQ空间有一个功能，就是标脸框那个程序，怎么做呢，你每上传一张图片之后都会进行图片处理，处理完之后进行人脸检测，识别出来再把结果返回到你的业务服务器上去。那这就有个问题了，我怎么能非常快的处理这些图片。对于流量很大的网站来说，它的数据量是非常大的，我怎么能够高实时性的处理这些东西呢。这就对我们计算产生非常高的要求，要求我们计算非常快，而且是多线程的计算，所以，后来外国友人就推出了GotoBLAS，特点是在多线程的情况下性能是比较良好的。不过这个程序在2010已结不更新了，不去用它了。

目前性能最好的开源实现OpenBLAS。OpenBLAS的整体性能不够稳定，但是平均性能是所有库里面最好的。它的开发者是中国人，中科院研究所的张先义，GitHub仓库叫xianyi。它是由中国人维护的目前最好的开源实现，Caffe里面用的BLAS库就是OpenBLAS。

比如我们使用的numpy，上面使用的是Python接口，底下也用了BLAS库，比如anaconda的numpy就使用了OpenBLAS。

非开源库，MKL：Math Kernel Library。Intel推出的和Intel C++ 编译器绑定的一个库，这是目前在Intel处理器上性能最好的BLAS库，而且比OpenBLAS要稳定。但是有两个问题，1.它是和Intel C+