为什么在我的电脑上大肆宣传的英特尔MKL Numpy版本比ATLAS版本慢？

我的“双启动”Ubuntu 11.04、Ubuntu 12.04和Windows XP SP3都更新到了最新版本。 PC是相当旧的Intel Celeron D CPU，3.06GHz，2GB内存

在Ubuntu11.04中，我使用ATLAS编译了Numpy（ATLAS从源代码编译）
在Ubuntu12.04中，我使用了最新可用的MKL、icc、ifort的Numpy版本
在Windows XP中，我使用了带有MKL的Numpy（来自Christoph Gohlke提供的Python软件包）
详情如下：

我试过简单：

%timeit np.dot（np.one（（10001000）），np.one（（10001000））

得到了这样的结果：

Ubuntu ATLAS: 1 loops, best of 3: 457 ms per loop
Windows MKL:  1 loops, best of 3: 680 ms per loop
Ubuntu MKL:   1 loops, best of 3: 1.04 s per loop

我认为上面是一个坏例子，我搜索了许多可用的比较之一，即第一次谷歌点击：

我测试了相同的功能：

%timeit test_eigenvalue()
Ubuntu Atlas: 1 loops, best of 3: 6.38 s per loop
Windows MKL:  1 loops, best of 3: 2.22 s per loop
Ubuntu MKL:   1 loops, best of 3: 3.58 s per loop

%timeit test_svd()
Ubuntu Atlas: 1 loops, best of 3: 2.13 s per loop
Windows MKL:  1 loops, best of 3: 2.06 s per loop
Ubuntu MKL:   1 loops, best of 3: 3.09 s per loop

%timeit test_inv()
Ubuntu Atlas: 1 loops, best of 3: 964 ms per loop
Windows MKL:  1 loops, best of 3: 1.02 s per loop
Ubuntu MKL:   1 loops, best of 3: 1.59 s per loop

%timeit test_det()
Ubuntu Atlas: 1 loops, best of 3: 308 ms per loop
Windows MKL:  1 loops, best of 3: 322 ms per loop
Ubuntu MKL:   1 loops, best of 3: 491 ms per loop

%timeit test_dot()
Ubuntu Atlas: 1 loops, best of 3: 1.5 s per loop        
Windows MKL:  1 loops, best of 3: 1.77 s per loop
Ubuntu MKL:   1 loops, best of 3: 2.77 s per loop

因此，ATLAS编译的Numpy由于某些原因具有最佳结果。

---

有人知道问题出在哪里吗？

英特尔MKL主要针对服务器、高性能桌面和移动处理器进行设计和优化。赛扬D是一款性能相对较低的处理器，因此MKL从未为此进行过优化。例如，如果您在最近的Intel Core i7桌面上检查SVD性能，则启用MKL的NumPy的运行速度比启用ATLAS的NumPy快80%。请看这里：

---

顺便说一下，要更快地回答与MKL相关的问题，请加入英特尔MKL论坛：

英特尔MKL主要针对服务器、高性能桌面和移动处理器进行设计和优化。赛扬D是一款性能相对较低的处理器，因此MKL从未为此进行过优化。例如，如果您在最近的Intel Core i7桌面上检查SVD性能，则启用MKL的NumPy的运行速度比启用ATLAS的NumPy快80%。请看这里：

---

顺便说一句，要更快地回答与MKL相关的问题，请加入英特尔MKL论坛：

我也在我的桌面上使用了numpy with MKL英特尔core i3第四代2.3 GHz、4GB ram。 我测试了两个4096x4096矩阵的点积。我已经在anaconda发行版上对它们进行了测试，该发行版包括Python3.5 64位（到目前为止还不支持mkl）、Python2.7 64位（不支持mkl）和Python2.7 64位（支持mkl），结果几乎相似。它们都需要73秒（+-0.5秒）来计算（对于整型数据类型），对于浮点64数据类型，它们都需要260毫秒（+-5毫秒），对于复杂数据类型，它们都需要1秒（+-100毫秒）

我还发现，即使对于复杂的矩阵乘法，numpy点也是最好的。他们已经实施了高斯改进

我已经用blas测试了cython，用python测试了blas，用python测试了einsum，但dot是最好的

---

我需要乘法矩阵fasster

我也在我的桌面上使用了带mkl的numpy英特尔core i3第四代2.3 GHz 4GB ram。 我测试了两个4096x4096矩阵的点积。我已经在anaconda发行版上对它们进行了测试，该发行版包括Python3.5 64位（到目前为止还不支持mkl）、Python2.7 64位（不支持mkl）和Python2.7 64位（支持mkl），结果几乎相似。它们都需要73秒（+-0.5秒）来计算（对于整型数据类型），对于浮点64数据类型，它们都需要260毫秒（+-5毫秒），对于复杂数据类型，它们都需要1秒（+-100毫秒）

我还发现，即使对于复杂的矩阵乘法，numpy点也是最好的。他们已经实施了高斯改进

我已经用blas测试了cython，用python测试了blas，用python测试了einsum，但dot是最好的

---

我需要乘法矩阵fasster

可能MKL的最新版本针对现代Intel CPU进行了优化，而从源代码编译的atlas将始终针对您的特定系统进行自我调整。可能是的。我知道UbuntuMKL版本比较慢，因为我遵循了英特尔numpy页面的指令，而不是至少针对单CPU进行调整。但是，我会在Ubuntu 12.04 numpy版本上使用ATLAS，而不是无缘无故地使整个系统复杂化，我会注意以后不要盲目地遵循我所读到的一切可能MKL的最新版本是为现代Intel CPU优化的，而从源代码编译的ATLAS将始终针对您的特定系统进行自我调整。是的，可能。我知道UbuntuMKL版本比较慢，因为我遵循了英特尔numpy页面的指令，而不是至少针对单CPU进行调整。但是，我会在Ubuntu 12.04 numpy版本上使用ATLAS，而不是无缘无故地使整个系统复杂化，我会密切关注未来，不要盲目跟随我读到的所有内容