openblas ubuntu？下载Ubuntu

大家好，今天小编来为大家解答openblas ubuntu这个问题，下载Ubuntu很多人还不知道，现在让我们一起来看看吧！

caffe 使用gpu,有必要安装openblas么,有用intel MKL的么

安装caffe所安装mkl现想codeblock项目使用mkl

设置mkl环境变量：

mkl安装默认/opt/intel/mkl其/opt/intel/mkl/bin脚本设置环境变量根据mkluser guid：我电脑安装64位ubuntu 14.04所我使用

/opt/intel/mkl/bin/mklvars.sh inter64

报错说 typeset: not found,根据网搜索知应该用bash运行改用

/bin/bash/opt/intel/mkl/bin/mklvars.sh intel64

功机候些环境变量用面句代码加入～/profile面

测试环境变量否设：

icc--version

显示除intel编译器版本则功

code block控制台项目：

创建项目选控制台项目

编译器选择intel c/c++ compiler:

菜单栏 Project->build options选择

deep_nin项（左边面项目名称其面别Debug,Relase）右边选项选择Search

directories, Compiler项目添加/opt/intel/bin

编译运行默认hello, world!

添加 mkl编译项：

Project-> build options->Compiler settings->Other options添加-mkl编译项（图点问题左侧编译选项应该选 deep_ninDebug）

功调用 mkl库：

代码加入#include编译通功mkl引入项目

mkldnn/onednn/openblas

需要将 MKL_LIB_PATH="intel_2020.3.279/lib/intel64:intel_2020.3.279/mkl/lib/intel64"加入到LD_LIBRARY_PATH中。

example目录 intel_2020.3.279/mkl/examples/cblas/source/cblas_sgemmx.c这是mkl自带的example，还有cblas_gemm_s8u8s32x.c代表signed int8，unsigned int8，signed int32，对应传入的A、B、C矩阵数据类型，表示INT8量化加速接口。

编译命令：

make libintel64 function=cblas_gemm_s8u8s32 compiler=gnu

make libintel64 function=cblas_sgemm compiler=gnu

可以指定编译器为gnu还是intel的，也可以指定是并行多线程parallel还是单线程

先从git clone，然后需要指定make install的安装目录：

编译程序时使用命令 g++-g-o sgemm-std=c++11-I${DNNLROOT}/include-L${DNNLROOT}/lib64 cpu_sgemm_and_matmul.cpp-ldnnl

其中$DNNLROOT是make install的目录，否则会报 dnnl_config.h.in以及 libdnnl.so找不到的错误。

其中 oneDNN/examples/tutorials/matmul/cpu_sgemm_and_matmul.cpp是测试矩阵乘接口的文件，但是要放到examples目录下，因为需要引入example_utils.hpp头文件。

在onednn中，gemm有三种实现方案，gemm，static gemm和dynamic gemm。这些在mkl是没有的。

旧版mkl-dnn的gemm使用的是mkl的gemm，mkl对于小矩阵的计算，速度并不快。旧版mkl-dnn主要是做cnn和lstm的优化

onednn中，有两个选择，1继续使用mkl的gemm，2使用新的gemm。

默认安装到/opt/OpenBLAS/lib，否则需要将其加到LD_LIBRARY_PATH。

编译命令： g++-g-o sgemm compare_sgemm_shgemm.c-I/opt/OpenBLAS/include-L/opt/OpenBLAS/lib/-lopenblas

centos7.6 cat/proc/cpuinfo| grep name| cut-f2-d:| uniq-c

ubuntu18.04 grep"model name"/proc/cpuinfo|awk-F':''{print$NF}'

IDC服务器：Intel(R) Xeon(R) CPU E5-2680 v4@ 2.40GHz

MIT服务器：Intel(R) Core(TM) i7-7800X CPU@ 3.50GHz

从零开始构建向量数据库:Milvus 的源码编译安装(一)

在知乎上新开了关于“向量数据库”内容的专栏[1]，本文将详细介绍如何在x86和ARM架构的Linux系统上编译安装开源项目Milvus，这个项目由Linux Foundation AI& Data基金会支持，常与Weaviate和Elasticsearch相提并论[2][3]。

由于Milvus主要在GitHub进行开发，中文网络中关于编译安装的教程很少，且大多是过时的1.x版本资料，而Milvus的版本迭代迅速，目前主要提供Docker容器安装，本地开发者或追求透明度的开发者可能会觉得不够友好。本文将从头开始，逐步引导你进行编译安装。

前置准备

在开始前，需要确保操作系统、开发环境和必要的依赖已经准备妥当。Linux作为主力生产环境，本文将重点介绍在Ubuntu上编译。macOS和Windows上的步骤类似，但这里主要针对Linux。

操作系统

推荐使用Ubuntu，无论是服务器、容器基础镜像，还是个人笔记本。具体配置和安装细节可以参考我在其他文章中介绍的《笔记本上搭建Linux学习环境》[6]。

开发环境

Milvus主要使用Golang编写，同时包含C++代码。确保Golang和C++环境可用，参考《搭建Golang开发环境》[8]，并注意Milvus官方推荐的版本。

源码获取

获取Milvus源码有两种方式：Git Clone或下载压缩包，其中Git Clone可能需要借助国内镜像加速。具体步骤包括设置代码仓库的上游，确保代码同步。

编译基础依赖

项目依赖OpenBLAS加速向量计算，详细安装步骤在《走进向量计算：OpenBLAS编译》[13]中有详述。

准备构建依赖：cmake

确保cmake版本至少为3.18，Ubuntu 20.04需手动安装，而Ubuntu 22.04可直接使用apt。不同版本可能有差异，注意官方文档推荐的版本。

额外依赖：clang-format和clang-tidy

项目代码中需要clang-format和clang-tidy，Ubuntu 20.04和22.04的安装方式各有不同，务必安装正确版本以保持和官方构建一致。

编译 Milvus

切换到 Milvus代码目录，执行make命令编译。整个过程可能耗时，但完成后将在./bin/目录下找到可执行文件。

总结

本文详细介绍了在Ubuntu 20.04和22.04环境中编译安装Milvus的步骤，包括操作系统、开发环境和依赖的安装。后续文章将深入探讨容器镜像构建优化以及在MacOS上的安装指南。

期待你的反馈，如果觉得有用，请点赞和分享。如有任何问题或需要更新，请关注后续内容更新，感谢支持！