在R2022a, MathWorks开始在MATLAB中发布AMD的AOCL和英特尔的MKL。本文解释了这些是什么，以及为什么您可能会关心它们。

BLAS和LAPACK

许多现代技术计算都是由计算机实现的布拉斯特区而且LAPACK库。你可能没听说过，但我敢肯定你用过。你曾经用MATLAB把两个密集矩阵相乘过吗?如果是，则您是BLAS用户。计算密集矩阵的特征值或SVD ?是吗?您是LAPACK用户。不会用MATLAB但你用Python或R做过这些运算?您可能也是这些库的用户。

BLAS和LAPACK是许多基于矩阵的计算的核心，因此，正如你可以想象的那样，开发矩阵实验室的公司非常重视它们!当MATLAB在2000年第一次开始使用LAPACK时，Cleve Moler自己写了很多细节速度也随之提高。

我们MathWorks的许多人发现，上面的结果很有趣，它的性能是以兆次浮点运算(每秒10^6次浮点运算)来衡量的，比我们今天最普通的笔记本电脑所期望的十亿次浮点运算(每秒10^9次浮点运算)慢了数千倍。今年早些时候，我们进入了一个计算的新时代前沿的超级计算机证明它可以以1 Exaflop(10^18次失败)的速度运行。

两个库，许多实现

关于BLAS和LAPACK库需要知道的一件事是，它们有许多实现。所谓的参考布拉斯特区而且LAPACK定义用户界面，并给出每个操作的易于阅读、未优化的实现。

不同的小组使用不同的策略生成这些库的优化实现。我在关于OpenBLAS的文章中提到了一个例子R2022a苹果硅测试版MATLAB．另一个例子是英特尔的数学内核库(MKL)，顾名思义，它是英特尔的一个库，为其硬件提供了高度优化的BLAS和LAPACK版本。

英特尔MKL长期以来一直是MATLAB的BLAS和LAPACK提供商。在MATLAB R2022a中，我们有

>>版本-lapack ans = 'Intel(R) oneAPI数学内核库版本2021.3-Product Build 20210611 for Intel(R) 64架构应用程序(CNR分支AVX512_E1)支持线性代数包(LAPACK 3.9.0)' >>版本-blas ans = 'Intel(R) oneAPI数学金宝app内核库版本2021.3-Product Build 20210611 for Intel(R) 64架构应用程序(CNR分支AVX512_E1)' '

MKL在AMD处理器上也能很好地工作，但我们的一些用户一直在要求官方支持AMD自己对这些库的加速实现。金宝app被称为AMD优化CPU库，或简称为AOCL，这些是由AMD开发的，针对他们自己的硬件，尽管与英特尔MKL一样，它们可以在AMD和英特尔的硬件上工作。

AOCL可在MATLAB R2022a中选择使用

从R2022a开始，我们已经开始使用MATLAB发布AOCL，但默认情况下它没有激活。MathWorks不会轻易更改任何东西的默认版本。因此，R2022a在默认情况下继续使用MKL，但英特尔和AMD硬件(在Windows和Linux上)的用户都能够切换到使用通过MathWorks资格测试的AOCL版本。

进行切换的说明如下给出在这个MATLAB答案帖子．

当然，你这样做的原因是为了速度。在某些操作中，AOCL可能比MKL更快，如果是这种情况，我们有兴趣听取您的意见。当然，我们也非常有兴趣了解您在尝试时遇到的任何问题。

您期望看到哪些性能差异?

您应该只期望在使用线性代数的函数中看到性能差异。任何潜在的差异将取决于因素，如操作类型，矩阵大小和结构，以及您正在使用的CPU。

在任何给定的硬件上，一个库的性能不一定总是优于另一个库。例如，使用脚本laBench.m，并在Azure D16ads_v5实例上运行，该实例公开了AMD EPYC 7763的8个核，我发现了以下10,000 x 10,000矩阵的计时:

英特尔MKL结果(最好的3个)

• 矩阵乘法时间是5.60秒
• Cholesky时间是1.07s

AMD AOCL结果(最好的3个)

• 矩阵乘法时间是5.31秒
• Cholesky时间是1.22秒

所以矩阵-矩阵乘法在这个硬件上使用AOCL更快，但是对于这个矩阵大小，Cholesky分解更慢。

轮到你了

我对最近的更新感到非常兴奋，希望你也一样。如果你尝试了，请在评论区或通过twitter告诉我你的进展。