我知道 Numpy 可以使用不同的后端，如 OpenBLAS 或 MKL。我還讀到 MKL 針對 Intel 進行了大量優化，所以通常人們建議在 AMD 上使用 OpenBLAS，對嗎？我使用以下測試代碼：import numpy as npdef testfunc(x):     np.random.seed(x)     X = np.random.randn(2000, 4000)     np.linalg.eigh(X @ X.T) %timeit testfunc(0)我已經使用不同的 CPU 測試了這段代碼：在Intel Xeon E5-1650 v3上，此代碼使用12 個內核中的 6 個在0.7 秒內執行。在AMD Ryzen 5 2600上，此代碼使用所有 12 個內核在1.45 秒內執行。在AMD Ryzen Threadripper 3970X上，此代碼使用所有 64 個內核在1.55 秒內執行。我在所有三個系統上使用相同的 Conda 環境。根據np.show_config()，Intel 系統使用 Numpy ( libraries = ['mkl_rt', 'pthread']) 的 MKL 后端，而 AMD 系統使用 OpenBLAS ( libraries = ['openblas', 'openblas'])。CPU 內核使用情況是通過top在 Linux shell 中觀察來確定的：對于Intel Xeon E5-1650 v3 CPU（6 個物理內核），它顯示 12 個內核（6 個空閑）。對于AMD Ryzen 5 2600 CPU（6 個物理內核），它顯示 12 個內核（無空閑）。對于AMD Ryzen Threadripper 3970X CPU（32 個物理內核），它顯示 64 個內核（無空閑）。上述觀察結果引發了以下問題：這是否正常，使用 OpenBLAS 的最新 AMD CPU 上的線性代數比六年前的英特爾至強處理器慢得多？（也在更新 3 中解決）從對 CPU 負載的觀察來看，Numpy 似乎在所有三種情況下都利用了多核環境。Threadripper 怎么可能比 Ryzen 5 還要慢，盡管它的物理內核數量幾乎是 Ryzen 5 的六倍？（另見更新 3）有什么辦法可以加快 Threadripper 的計算速度嗎？（在更新 2 中部分回答）更新 1： OpenBLAS 版本為 0.3.6。testfunc我在某處讀到，升級到更新版本可能會有所幫助，但是，隨著 OpenBLAS 更新到 0.3.10，在 AMD Ryzen Threadripper 3970X 上的性能仍然是 1.55s。更新 2：將 Numpy 的 MKL 后端與環境變量結合使用MKL_DEBUG_CPU_TYPE=5（如此處所述）將 AMD Ryzen Threadripper 3970X 上的運行時間減少testfunc到僅 0.52 秒，這實際上或多或少令人滿意。FTR，通過在 Ubuntu 20.04 上設置此變量~/.profile對我不起作用。此外，從 Jupyter 中設置變量也不起作用。所以我~/.bashrc現在把它放到 which works 中。無論如何，比舊的 Intel Xeon 快 35%，這是我們所能得到的，還是我們能從中得到更多？更新 3：我研究 MKL/OpenBLAS 使用的線程數：運行時間以秒為單位報告。每列的最佳結果都帶有下劃線。我使用 OpenBLAS 0.3.6 進行此測試。本次測試得出的結論：使用 OpenBLAS 的 Threadripper 的單核性能比 Xeon 的單核性能好一點（快 11%），但是使用 MKL 時其單核性能甚至更好（快 34%）。使用 OpenBLAS 的 Threadripper 的多核性能比 Xeon 的多核性能差得離譜。這里發生了什么？當使用 MKL 時，Threadripper 的整體性能優于 Xeon （比 Xeon 快 26% 到 38%）。Threadripper 使用 16 個線程和 MKL（比 Xeon 快 36%）實現了整體最佳性能。