Her ihtimale karşı Ubuntu veya nane kullanıyorsanız, kolayca numpy ve openblas aracılığı hem yükleyerek openblas bağlantılı numpy olabilir taze bir liman işçisi ubuntu üzerinde
sudo apt-get install numpy libopenblas-dev
olarak apt-get, ben aşağıdaki komut dosyasını test openblas olmadan "Installing Numpy and OpenBLAS"
import numpy as np
import numpy.random as npr
import time
# --- Test 1
N = 1
n = 1000
A = npr.randn(n,n)
B = npr.randn(n,n)
t = time.time()
for i in range(N):
C = np.dot(A, B)
td = time.time() - t
print("dotted two (%d,%d) matrices in %0.1f ms" % (n, n, 1e3*td/N))
# --- Test 2
N = 100
n = 4000
A = npr.randn(n)
B = npr.randn(n)
t = time.time()
for i in range(N):
C = np.dot(A, B)
td = time.time() - t
print("dotted two (%d) vectors in %0.2f us" % (n, 1e6*td/N))
# --- Test 3
m,n = (2000,1000)
A = npr.randn(m,n)
t = time.time()
[U,s,V] = np.linalg.svd(A, full_matrices=False)
td = time.time() - t
print("SVD of (%d,%d) matrix in %0.3f s" % (m, n, td))
# --- Test 4
n = 1500
A = npr.randn(n,n)
t = time.time()
w, v = np.linalg.eig(A)
td = time.time() - t
print("Eigendecomp of (%d,%d) matrix in %0.3f s" % (n, n, td))
sonrası blogdan kopyalanan sonucudur:
dotted two (1000,1000) matrices in 563.8 ms
dotted two (4000) vectors in 5.16 us
SVD of (2000,1000) matrix in 6.084 s
Eigendecomp of (1500,1500) matrix in 14.605 s
Ben
apt install openblas-dev ile openblas yüklü sonra
, ben
import numpy as np
np.__config__.show()
ile numpy bağlantı kontrol ve bilgi
atlas_threads_info:
NOT AVAILABLE
openblas_info:
NOT AVAILABLE
atlas_blas_info:
NOT AVAILABLE
atlas_3_10_threads_info:
NOT AVAILABLE
blas_info:
library_dirs = ['/usr/lib']
libraries = ['blas', 'blas']
language = c
define_macros = [('HAVE_CBLAS', None)]
mkl_info:
NOT AVAILABLE
atlas_3_10_blas_threads_info:
NOT AVAILABLE
atlas_3_10_blas_info:
NOT AVAILABLE
openblas_lapack_info:
NOT AVAILABLE
lapack_opt_info:
library_dirs = ['/usr/lib']
libraries = ['lapack', 'lapack', 'blas', 'blas']
language = c
define_macros = [('NO_ATLAS_INFO', 1), ('HAVE_CBLAS', None)]
blas_opt_info:
library_dirs = ['/usr/lib']
libraries = ['blas', 'blas']
language = c
define_macros = [('NO_ATLAS_INFO', 1), ('HAVE_CBLAS', None)]
atlas_info:
NOT AVAILABLE
blas_mkl_info:
NOT AVAILABLE
lapack_mkl_info:
NOT AVAILABLE
atlas_3_10_info:
NOT AVAILABLE
lapack_info:
library_dirs = ['/usr/lib']
libraries = ['lapack', 'lapack']
language = f77
atlas_blas_threads_info:
NOT AVAILABLE
Bu openblas için bağlantıyı göstermez olduğunu.Ancak, senaryonun yeni sonuç numpy openblas kullanmış gerektiğini göstermektedir:
dotted two (1000,1000) matrices in 15.2 ms
dotted two (4000) vectors in 2.64 us
SVD of (2000,1000) matrix in 0.469 s
Eigendecomp of (1500,1500) matrix in 2.794 s
zaman sorunun ek konuları gerektirecek kadar büyük olduğunu eminiz, bir performans düşüşü olduğunu söylemek? Çok küçük sorunlar için, fazladan iş parçacığı kullanırken performans düşüşüne neden olacaksınız ve openblas'ın yalnızca yararlı olduklarında fazladan iş parçacığı kullanacak kadar akıllı olup olmadığını bilmiyorum. – DaveP
Performansın varyasyon boyutunu kontrol etmek için, numpy.linalg.svd işlevini çeşitli boyutlardaki (100x100, 100x1000, 1000x1000, 1000x10000,10000x10000) rastgele oluşturulmuş matrisler üzerinde denedim ancak tüm bu durumlarda En iyi yürütme süreleri, openblas'taki tek thread ile elde edilir. Ağır hesaplama yükü (ör. 10000x10000 matris SVD) için bile tek iplik 5000 saniye alırken, 3 iplik 6000 saniye alır. Bu beni biraz endişelendiriyor, sadece openblas entegrasyonunun doğru olup olmadığını kontrol etmek istiyorum. – Vijay