让你的python和R矩阵运算提速10-100倍

使用python和R进行科学计算，最为人所诟病的是它们的运算速度。然而，通过关联Intel MKL线性代数库，你可以使python和R达到和matlab类似的运算速度，并且自动使用闲置CPU核心进行并行。

Python和R是一种解释性语言，因此直接调用python和R中的循环进行矩阵运算的速度是不能接受的。进阶技巧是使用如Python的numpy包和R中的Matrix包等进行向量化运算。这些向量化运算的底层实现使用基于Fortran的线性代数包BLAS和LAPACK，因此速度数百倍快于循环运算。

然而，对于大型矩阵运算，如数千乃至数万维矩阵乘法，求逆运算等，即使向量化后依然需要很长的计算时间。查阅numpy手册和R的矩阵运算手册，我们可以发现对于大多数用户，这些科学计算并不依赖于系统中安装的底层线性代数包（通常个人电脑中也不会安装这些包），而是在源码中整合配置了OpenBLAS作为默认的运算包。这样的好处是可以一键pip安装numpy（R甚至不需要安装），而劣势是这些运算包并没有发挥CPU的最大性能。

对于使用了Intel CPU的设备而言，使用Intel MKL包（Math Kernel Library）是一种好选择。我们可能听说过Matlab在矩阵运算上很有优势，然而，这种优势部分基于其内部集成了MKL包。通过将Python和R与MKL关联，我们可以实现与Matlab类似的矩阵运算速度，摆脱慢速的刻板印象。

只需两步，实现关联MKL和python或R。

第一步：在电脑上安装MKL：

Intel® oneAPI Base Toolkits （Intel® oneAPI Toolkits）集成了Intel® oneAPI Math Kernel Library，可在上述网址找到适合自己系统的安装版本。对于windows系统，其安装文档见（Intel® oneAPI Toolkits Installation Guide for Windows*）。值得注意的是，windows系统上的安装需要先安装Visual Studio，以及在Visual studio中配置好“使用C++的桌面开发”所需的组件。其它的步骤只需跟随安装软件指引即可。

第二步：关联Python或R

对于python中numpy，scipy等的关联，可以使用Anaconda安装并管理Intel发行的python版本，安装方式参考（Installing Intel® Distribution for Python* and Intel® Performance...）。此外，亦可以手动配置numpy和scipy所用的底层科学计算包，参考（Numpy/Scipy with Intel® MKL and Intel® Compilers）。这里更推荐使用Anaconda直接安装所需版本的python，便于版本管理。

对于R的关联，同样有两种途径。第一种方法，下载由微软发行的Microsoft R Open（Home），可以一键傻瓜式安装，同时默认配置MKL的多进程模式。唯一值得注意的是，微软R默认的CRAN镜像较老，更新也不及时，建议安装之后在Rstudio中改为自己常用的镜像网址，如在Tools->Global options->Packages中改为The Comprehensive R Archive Network。此外，也可以参考（Using oneMKL with R）中的介绍手动配置R调用的科学计算包。

最后，我们可以进行简单的矩阵运算验证效果。以R为例，链接MKL之前的矩阵运算%*%只会调用一个核心，链接之后会默认使用闲置核心，最大化CPU效率。可以认为，现在使用numpy和R的矩阵运算效率能够达到Matlab中的水平。

做中文互联网中简洁开放的技术分享，欢迎转载（转载需注明作者）