python - libreria - numpy version

Compilando numpy con integración OpenBLAS

Question

Estoy tratando de instalar numpy con OpenBLAS , sin embargo, no sé cómo se debe site.cfg archivo site.cfg .

Cuando se siguió el procedimiento de instalación, la instalación se completó sin errores, sin embargo, la degradación del rendimiento aumenta el número de subprocesos utilizados por OpenBLAS desde 1 (controlado por la variable de entorno OMP_NUM_THREADS).

No estoy seguro si la integración OpenBLAS ha sido perfecta. ¿Podría alguien proporcionar un archivo site.cfg para lograr lo mismo.

PD: La integración de OpenBLAS en otros kits de herramientas como Theano , que se basa en Python, proporciona un impulso sustancial en el rendimiento al aumentar el número de subprocesos en la misma máquina.

Answer 1

Acabo compilado numpy dentro de un virtualenv con integración OpenBLAS , y parece estar funcionando bien.

Este fue mi proceso:

1. Compilar OpenBLAS :

   $ git clone https://github.com/xianyi/OpenBLAS
   $ cd OpenBLAS && make FC=gfortran
   $ sudo make PREFIX=/opt/OpenBLAS install

   Si no tiene derechos de administrador, puede establecer PREFIX= en un directorio donde tenga privilegios de escritura (simplemente modifique los pasos correspondientes a continuación).

2. Asegúrese de que el directorio que contiene libopenblas.so esté en la ruta de búsqueda de su biblioteca compartida.

   • Para hacer esto localmente, puede editar su archivo ~/.bashrc para contener la línea

     export LD_LIBRARY_PATH=/opt/OpenBLAS/lib:$LD_LIBRARY_PATH

     La LD_LIBRARY_PATH entorno LD_LIBRARY_PATH se actualizará cuando inicie una nueva sesión de terminal (use $ source ~/.bashrc para forzar una actualización dentro de la misma sesión).

   • Otra opción que funcionará para múltiples usuarios es crear un archivo .conf en /etc/ld.so.conf.d/ contenga la línea /opt/OpenBLAS/lib , por ejemplo:

     $ sudo sh -c "echo ''/opt/OpenBLAS/lib'' > /etc/ld.so.conf.d/openblas.conf"

   Una vez que haya terminado con cualquiera de las opciones, ejecute

   $ sudo ldconfig

3. numpy código fuente numpy :

   $ git clone https://github.com/numpy/numpy
   $ cd numpy

4. Copie site.cfg.example en site.cfg y edite la copia:

   $ cp site.cfg.example site.cfg
   $ nano site.cfg

   Descomente estas líneas:

   ....
   [openblas]
   libraries = openblas
   library_dirs = /opt/OpenBLAS/lib
   include_dirs = /opt/OpenBLAS/include
   ....

5. Verificar configuración, compilación, instalación (opcionalmente dentro de un virtualenv )

   $ python setup.py config

   El resultado debería verse más o menos así:

   ...
   openblas_info:
   FOUND:
   libraries = [''openblas'', ''openblas'']
   library_dirs = [''/opt/OpenBLAS/lib'']
   language = c
   define_macros = [(''HAVE_CBLAS'', None)]
   FOUND:
   libraries = [''openblas'', ''openblas'']
   library_dirs = [''/opt/OpenBLAS/lib'']
   language = c
   define_macros = [(''HAVE_CBLAS'', None)]
   ...

   Instalar con pip es preferable a usar la instalación de python setup.py install , ya que pip hará un seguimiento de los metadatos del paquete y le permitirá desinstalar o actualizar fácilmente numpy en el futuro.

   $ pip install .

6. Opcional: puede usar este script para probar el rendimiento para diferentes recuentos de hilos.

   $ OMP_NUM_THREADS=1 python build/test_numpy.py
   version: 1.10.0.dev0+8e026a2
   maxint: 9223372036854775807
   BLAS info:
   * libraries [''openblas'', ''openblas'']
   * library_dirs [''/opt/OpenBLAS/lib'']
   * define_macros [(''HAVE_CBLAS'', None)]
   * language c
   dot: 0.099796795845 sec
   $ OMP_NUM_THREADS=8 python build/test_numpy.py
   version: 1.10.0.dev0+8e026a2
   maxint: 9223372036854775807
   BLAS info:
   * libraries [''openblas'', ''openblas'']
   * library_dirs [''/opt/OpenBLAS/lib'']
   * define_macros [(''HAVE_CBLAS'', None)]
   * language c
   dot: 0.0439578056335 sec

Parece que hay una mejora notable en el rendimiento para un mayor número de hilos. Sin embargo, no he probado esto de manera sistemática, y es probable que para matrices más pequeñas la sobrecarga adicional supere el beneficio de rendimiento de un mayor número de subprocesos.

Answer 2

En caso de que esté usando ubuntu o mint, puede tener numpy fácilmente enlazado a openblas instalando tanto numpy como openblas a través de apt-get como

sudo apt-get install numpy libopenblas-dev

En una nueva plataforma ubuntu, probé la siguiente secuencia de comandos copiada de la publicación del blog this

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))

Sin openblas el resultado es:

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

Después de instalar OpenBlas con apt install openblas-dev , verifiqué el enlace numpy con

import numpy as np
np.__config__.show()

y la información es

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

No muestra el enlace a openblas. Sin embargo, el nuevo resultado de la secuencia de comandos muestra que numpy debe haber usado openblas:

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