特征矩阵乘法比cblas慢吗？

我使用下面的代码来测试Eigen性能。特征矩阵乘法比cblas慢吗？

#include <iostream> 
#include <chrono> 
#define EIGEN_NO_DEBUG 
#include <eigen3/Eigen/Dense> 
#include <cblas.h> 
using namespace std; 
using namespace std::chrono; 

int main() 
{ 
    int n = 3000; 

    high_resolution_clock::time_point t1, t2; 

    Eigen::MatrixXd A(n, n), B(n, n), C(n, n); 

    t1 = high_resolution_clock::now(); 
    C = A * B; 
    t2 = high_resolution_clock::now(); 
    auto dur = duration_cast<milliseconds>(t2 - t1); 
    cout << "eigen: " << dur.count() << endl; 

    t1 = high_resolution_clock::now(); 
    cblas_dgemm(CblasColMajor, CblasNoTrans, CblasNoTrans, 
       n, n, n, 1.0, A.data(), n, B.data(), n, 1.0, C.data(), n); 
    t2 = high_resolution_clock::now(); 
    dur = duration_cast<milliseconds>(t2 - t1); 
    cout << "cblas: " << dur.count() << endl; 

    return 0; 
}

我用下面的命令编译：

g++ test.cpp -O3 -fopenmp -lblas -std=c++11 -o test

的结果是：

征：1422毫秒

cblas：432毫秒

我在做什么错误？根据他们的基准，它应该更快。

的另一个问题是使用numpy的，我得到24毫秒

import time 
import numpy as np 

a = np.random.random((3000, 3000)) 
b = np.random.random((3000, 3000)) 
start = time.time() 
c = a * b 
print("time: ", time.time() - start)

来源

2016-12-01 John X.

你使用的是什么版本的Eigen和g ++？ –

对于numpy数组，'*'是* element-wise *乘法。将'c = a * b'更改为'c = a.dot（b）'。或者，如果您使用的是足够新版本的Python 3和numpy，则可以编写'c = a @ b'。 –

Avi Ginsburg，Eigen版本3.2，g ++版本4.9.2，问题在于使用Eigen 3.2 –

说你使用cblas提供的信息非常少，因为cblas只是一个API。底层的BLAS库可能是netlib的BLAS，OpenBLAS，ATLAS，Intel MKL，Apple的Accelerate甚至EigenBlas ......考虑到你的测量结果，很明显你的基础BLAS是一个高度优化的，利用AVX + FMA +多线程。因此，为了公平比较，您还必须通过编译-march=native -fopenmp来启用Eigen方面的这些功能，并确保您使用的是Eigen 3.3。那么表现应该差不多。

关于numpy，Warren Weckesser已经解决了这个问题。你可能已经想通了24ms来执行2*3000^3=54e9在标准计算机上的浮点运算是不可能的。

来源

2016-12-01 08:13:31 ggael

谢谢，问题在于使用Eigen 3.2。我转向Eigen 3.3现在它是500反对350.我不知道我使用的是什么blas库，我安装了软件包libblas3和libblas-dev。以下是apt-cache搜索的说明：libblas3 - 基本线性代数参考实现，共享库，libblas-dev - 基本线性代数子例程3，静态库 –

使用Eigen 3.2编译时使用-march = native不会改变任何内容，但如果我使用Eigen 3.3编译没有这个选项，它运行速度慢得多 –

特征矩阵乘法比cblas慢吗？

回答

相关问题