ubuntu blas 安装，Ubuntu安装deb
如何在linux系统下安装深度学习的caffe框架
Caffe需要预先安装一些依赖项，首先是CUDA驱动。不论是CentOS还是Ubuntu都预装了开源的nouveau显卡驱动（SUSE没有这种问题），如果不禁用，则CUDA驱动不能正确安装。以Ubuntu为例，介绍一下这里的处理方法，当然也有其他处理方法。
#sudovi/etc/modprobe.d/blacklist.conf
#增加一行：blacklistnouveau
sudoapt-get--purgeremovexserver-xorg-video-nouveau#把官方驱动彻底卸载：
sudoapt-get--purgeremovenvidia-*#清除之前安装的任何NVIDIA驱动
sudoservicelightdmstop#进命令行，关闭Xserver
sudokillallXorg
然后下载并安装NVIDIA CUDA驱动包，接着安装安装BLAS、OpenCV、Boost这三个库。BLAS数学库可以是ATLAS, MKL,或 OpenBLAS，OpenCV要求2.4以上版本，Boost要求1.55版本以上。可选安装Python MATLAB Caffe库，还有numpy，pandas之类的Python类库。安装MATLAB，以确保mex在path路径中，这些就够你折腾一个星期了，完事以后就可以编译安装了：
cpMakefile.config.exampleMakefile.config
#AdjustMakefile.config(forexample,ifusingAnacondaPython,orifcuDNNisdesired)
makeall
maketest
makeruntest
哦对了，Caffe显卡要求：Titan Xs, K80s, GTX 980s, K40s, K20s, Titans, and GTX 770s
深入浅出在Linux中安装BLASlinux安装blas
Linux是一种廉价且丰富的操作系统，它使用者可以选择安装支持各种应用程序的依赖库，BLAS（Basic Linear Algebra Subprograms）就是其中之一。BLAS是一个用于矩阵操作的API（Application Programming Interface），提供了基本的线性代数及数值分析的扩展功能，用于机器学习及其他数值分析领域十分流行。本文将介绍如何在Linux系统中安装BLAS库。
要在Linux上安装BLAS，你需要安装GNU的GCC编译器。使用以下命令以在Ubuntu/Debian系统上安装GCC：
`sudo apt-get install gcc`
接着，我们需要从BLAS官网下载最新的安装包：
`wget `
将其解压，在linux终端输入如下命令：
`tar xvf blas.tgz`
进入解压后的文件夹，我们需要编译BLAS：
`cd blas/`
`gcc-O2-c*.c`
`gcc-O2-shared-o libblas.so*.o`
完成编译后，我们需要设置环境变量：
`export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$PWD`
最后，我们要将已经编译后的文件安装到Linux中：
`sudo cp libblas.so/usr/lib/libblas.so`
现在，BLAS库已经安装完毕，我们可以调用相关API来操作进行矩阵操作等操作。
总之，安装BLAS库在Linux系统中非常简单。只需要几步操作，就可以安装BLAS库，然后就可以调用相关接口来进行矩阵操作等操作。
linux关于blas、lapack的安装和使用
Linux系统下，若需进行高效且便捷的BLAS和LAPACK库安装与使用，推荐选用Intel的MKL库。本文将对MKL库的使用进行实例展示，并概述BLAS、LAPACK、CBLAS与LAPACKE库的安装与配置。
BLAS（Basic Linear Algebra Subprograms）提供基础矩阵与向量运算，而LAPACK（Linear Algebra Package）则具备更丰富的线性方程求解、二次规划、特征值分解等高级运算功能。为了在C语言中调用这些库，同时考虑在Python中调用C生成的动态库(.so文件)，需要一并安装CBLAS与LAPACKE。
在Ubuntu与CentOS等Linux发行版上安装与配置BLAS、CBLAS、LAPACK与LAPACKE库，通常能实现顺利的编译与使用。确保库文件与头文件的正确路径，例如将其放置在/usr/local/lib与/usr/local/include目录下，或通过用户级别的~/.bashrc文件添加路径配置。
在进行库的链接与编译时，需注意库的链接顺序，这可能影响程序的正常运行。若遇到头文件或静态库未找到的问题，可参考上述路径配置或在编译时通过`-I`与`-L`参数指定路径。
对于Python调用C生成的动态库的需求，需对LAPACK的编译选项进行调整。通过修改~/lapack-3.10.1/make.inc文件，将相关设置增加`-fPIC`选项，进而重新编译生成BLASlib、CBLASlib、LAPACKlib与LAPACKelib。这一步骤能确保动态库的生成兼容Python环境。
如遇编译过程中出现错误，如“/usr/bin/ld: cannot find xxxx”的提示，这通常意味着库文件路径未正确添加。通过搜索与执行“编译-L”相关指令，可解决找不到库文件的问题。
总结而言，Linux环境下，通过正确安装与配置BLAS、CBLAS、LAPACK与LAPACKE库，结合Intel MKL库的使用实例，能高效地满足各类矩阵与线性代数运算需求。同时，本文提供的安装与使用指导，旨在简化这一过程，确保用户能快速上手并高效地在多种编程环境中应用这些关键库。
