我从事物理学工作，作为我工作的一部分，我必须做大量的数值计算（“numerics”），其中90%以上涉及到大型矩阵的对角化。特别是numpy.linalg.eigh，或者scipy. spars.linalg.eigsh，如果矩阵是稀疏的，我不需要所有的特征值/特征向量。我使用PyCharm和Anaconda，从来没有考虑过这些例程是如何实现的，以及它们是否有效。
然而，我刚买了一台新的MacBook，里面有M1 Pro芯片，我想这是一个很好的时机来确保我正在做的事情是真正优化的！不幸的是，我对这些计算的“幕后”所发生的事情知之甚少。
**因此，我的问题是：**我如何安装Python和NumPy/SciPy，确保我需要的矩阵例程得到优化，以充分利用我的计算机？具体来说，它们在Apple芯片上本地运行，并尽可能并行？
矩阵对角化效率的一个小提升将对我的工作产生巨大的累积影响！
1条答案
按热度按时间vof42yt11#
M1处理器是一个big-small处理器，大多数BLAS实现对这种体系结构的支持都很差，对于LAPACK实现更是如此，事实上，很难有效地支持大小处理器（这使得BLAS/LAPACK代码在它们已经太复杂的情况下甚至更加复杂），并且没有主流HPC处理器使用这样的架构。因此，某些方法的执行时间可能会不稳定，有时执行时间可能会非常糟糕。也就是说，M1内存具有非常高的吞吐量，可以使一些LAPACK方法更快。
至于性能，您可以通过计算1024 x1024矩阵上的BLAS gemm来检查FLOP效率，获得执行时间T最后检查效率
E = ((2*1024**3)/T)/K。如果E〉0.75，则您的BLAS实现相当好。如果E在0.5-0.75范围内，则它不是很大。如果E〈0。25出现问题，您应该尝试另一个BLAS实现请注意，当前领先的BLAS/LAPACK实现是由英特尔实现的MKL，而M1/ARM处理器不支持AFAIK Numpy的默认BLAS后端通常是OpenBLAS，它没有针对M1的特定实现，导致执行效果非常差。Accelerate/vecLib（AFAIK由Apple制造/支持）在M1处理器上的性能明显优于OpenBLAS，因此使用它当然是一个很好的选择（AFAIK仅适用于M1）。
OpenBLAS有一个related open issue，以便检查实际使用的BLAS实现的性能。
简言之，测试Accelerate/vecLib并检查其结果是否与OpenBLAS期刊中提供的基准测试结果相似。您还可以测试其他BLAS实现，如BLIS，这些实现在各种架构上都能提供良好的性能。对于LAPACK，它有点复杂，因为只有很少的实现可以实际运行在M1上（在大多数系统上，默认情况下通常使用效率低下的NetLib实现）。