看来，计算速度会根据用于Numpy的BLAS而变化[Python]
在“ numpy”中，称为BLAS的数值计算库负责实际处理。
使用的BLAS取决于您是否使用“ conda install”或“ pip install”安装numpy，并且取决于您使用的BLAS，处理速度不仅会受到numpy的影响，还会受到依赖于numpy的库的影响。
这次，我将介绍BLAS和实际速度差，以及如何检查您使用的是哪个BLAS。
BLAS及其类型
什么是BLAS？
关于BLAS，以下站点上的解释非常容易理解，因此我将引用它。
BLAS是基本线性代数子程序的缩写。坦率地说，它是一个基本的线性运算库，或者简单地说，是一组执行矩阵和向量的基本计算的函数。例如，矩阵乘法，向量范数计算等。这个想法是停止实施这些计算（重新发明轮子），并使用该库进行高效的编码。
易于使用的BLAS
由于BLAS也在numpy后面使用，因此据说计算时间会有所不同，具体取决于执行numpy时调用哪个BLAS。
BLAS类型
已经开发了各种类型的BLAS。让我们看一些典型的例子。
开放式BLAS
BLAS的开源实现。在安装了pip的numpy中，在内部调用OpenBLAS来执行操作。
它与各种CPU兼容，并且据说可以为Intel的Sandy Bridge CPU提供与Intel MKL相同的速度。众所周知，它具有多线程功能，并且内核数似乎与加速成正比。
英特尔MKL（英特尔数学内核库）
英特尔开发的BLAS。 仅支持Intel CPU，不能与其他公司制造的CPU一起使用。 由于它针对Xeon，Core i系列和Atom等Intel CPU进行了优化，因此使用Intel MKL作为使用这些CPU的计算机上的算术库更快。英特尔MKL用于通过Anaconda或Miniconda的“ conda install”安装的numpy。
ATLAS（自动调整的线性代数软件）
免费的BLAS之一。顾名思义，调整为要安装的硬件设置了最佳参数，并实现了高速计算。
由于BLAS的差异而导致计算时间的差异
numpy后面使用的BLAS会影响处理速度，这意味着它与依赖numpy的库的执行速度有关。换句话说，它也会影响scipy，pandas，scikit-learn和tensorflow。
许多技术人员正在比较BLAS差异（conda安装和pip安装之间的差异）的基准，但以在英特尔®开发人员专区中发布的基准为例。
通过scipy进行的矩阵计算显示了向右移动复杂矩阵所需的时间，而intel MKL的处理速度比ATLAS更快。
引用自：https://software.intel.com/en-us/articles/numpyscipy-with-intel-mkl/
以下是Anaconda官方提供的信息。 我们将每个深度学习模型中每秒训练的图像数量与通过conda安装或pip安装安装的tensorflow进行比较，两者的差异最大为1倍。
（Cpu是Intel®Xeon®Gold 6130）
引用自：https://www.anaconda.com/tensorflow-in-anaconda/
其他比较包括 pandas 和 scikit learn（英特尔与 Anaconda 与 vanilla Python 的性能——我的个人基准）。 由于 conda 有自己的库安装和管理，在很多情况下似乎是一个有利的结果。
如何在Python中检查BLAS
__config__.show()赶紧跑。
将numpy导入为np np .__ config __。show（）
>>
mkl_info：库= ['mkl_rt'] library_dirs = ['C：/用户/'] define_macros = [（'SCIPY_MKL_H'，无），（'HAVE_CBLAS'，无）] include_dirs = ['C：\\程序文件（ 'C：\\ Program Files（'x86）\\ IntelSWTools \\ Compilers_and_libraries_2019.0.117 \\ windows \\ mkl'，'C：\\ Program Files（x86）\\ IntelSWTools \\ Compilers_and_libraries_2019.0.117 \\ windows \\ mkl \\ include'，'C：\\程序文件（x86）\\ IntelSWTools \\ Compilers_and_libraries_2019.0.117 \\ Windows \\ mkl \\ lib'，'C：/用户/编程/ Miniconda3 / envs / ML \\库\\包含']
如果显示mkl_info，则使用intel MKL。