BLAS学习

导师突然通知要开始关于blas的讨论班，之前甚至都没听说过blas这个词，又要开始新一波的锤炼小白之路了…

1. BLAS简介

首先BLAS的全称是 Basic Linear Algebra Subprograms，即 基础线性代数子程序库，其中包含了一系列基本的线性代数运算函数的接口，因此BLAS也会被称为 矩阵运算库 。

需要注意，BLAS是一个接口的标准而不是某种具体实现，也就是说即便不同版本的BLAS库可以实现相同的接口和功能，但每个接口内部的算法和程序是可以不同的，即具体实现不相同。目前存在几种不同的BLAS (性能对比可参考矩阵运算库之间的性能区别)：

1.1 两种基本运算库

• BLAS：其官网是 Netlib，Netlib用Fortran语言实现了BLAS的这些API接口，但只是一般性地实现了基本功能，并没有对运算做过多的优化，因此这个版本的 BLAS 被称为 reference BLAS，运行速度较慢，通常被其他版本用于衡量性能。之后Netlib又产生了C 语言的版本 cBLAS，除一些接口外与BLAS之间并没有太大的区别。
• LAPACK：其官网也是 Netlib，是Netlib以BLAS为底层利用Fortran语言实现的另一矩阵运算库，该库相比于BLAS库提供了更为丰富的计算工具，其运行效率也要比BLAS库高。对应cBLAS，也产生了相应的cLAPACK。

1.2 三种高级运算库

• MKL：其官网是 MKL(Math Kernel Library)，它是基于英特尔® C++和Fortran编译器构建而成，底层包含了BLAS、LAPACK、ScaLAPACK(面向集群的 LAPACK 分布式内存并行版本)、PARDISO(该并行直接稀疏矩阵解算器的三个阶段均实现了线程化)、DFTs(离散傅立叶变换)、VML(矢量数学库)、VSL(矢量统计学库)，因此MKL提供的 BLAS 可以认为是当前性能最高的矩阵运算库。MKL 虽然不是一个开源软件，但目前可以免费下载使用。
• Armadillo：其官网是 C++ library for linear algebra & scientific computing，与Matlab相似，是一个易于使用的C++矩阵库。其底层包含了LAPACK、BLAS和 ATLAS(Automatically Tuned Linear Algebra Soft) 封装包，支持MKL和 OpenBLAS 等诸多高性能版本。
• Eigen：其官网是 C++ template library for linear algebra，Eigen是可以用来进行线性代数、矩阵、向量操作等运算的C++库，它采用源码的方式提供给用户使用，只需要包含Eigen的头文件即可使用。它支持以BLAS/LAPACK作为底层 (EIGEN_USE_BLAS、EIGEN_USE_LAPACKE)，也支持以MKL作为底层 (EIGEN_USE_MKL_ALL)，使用起来非常的方便。

1.3 对比

没有时间打字了，就直接截图过来了，上面给了参考链接，这里再放一遍 (矩阵运算库之间的性能区别)。

看到现在感觉MKL是最强的，在 BLAS简介 中看到作者说无论使用哪种软件，都推荐阅读一下 MKL中BLAS的说明文档。