话说 2010 年我和鸟兄去豆瓣做一个技能交换，阿稳现场展示了并行化计较的 R 情况，矩阵运算瞬间跑满了所有的 CPU，其时让我羡慕不已。多年之后在 第六届 R 语言集会会议 上，张先轶为各人展示了他们认真跟进研发的开源线性代数计较库 OpenBLAS，这个库成立在已经遏制开拓的 GotoBLAS2 上，对 Intel Sandy Bridge 有很是好的支持（机能上甚至同 MKL 八两半斤）。

线性代数库是 R 底层天然的并行运算的极好支持（Revolution R 利用的 MKL 库的支持），可以有效的提高 R 的计较效率。这里要再次感激中科院张先轶的孝敬！

OpenBLAS 的编译

OpenBLAS 的编译照旧较量利便的，假如没有非凡要求，下载直接执行快速安装即可

make
make install

即可自行依照情况安装相关组件。

R 的编译

OpenBLAS 情况安装完毕后，即可安装 R 情况，同一般安装 R 雷同，需要增加如下参数：

./configure --disable-nls --with-blas="-lopenblas" --with-lapack --enable-R-shlib
make
make install

编译的时候大概会报 BLAS 相关的 so 找不到，凭据错误代码信息将文件拷贝至目次即可（或建 link）。

接下来我们比拟一下小我私家电脑的两种平台的计较环境：

Windows 64 位系统无 BLAS 支持，原生 R

Ubuntu 64 位系统下 OpenBLAS 支持的 R

先看 Windows 平台原生 R 情况下两个 6000 × 6000 矩阵相乘的功效：

> x <- matrix(1:(6000 * 6000), 6000, 6000)
> system.time(tmp <- x %*% x)
   user  system elapsed 
 163.67    0.11  163.94 
> system.time(tmp <- x %*% x)
   user  system elapsed 
 163.71    0.11  163.99 

再看利用 Open BLAS 加快的 R 的运算功效：

x <- matrix(1:(6000 * 6000), 6000, 6000)
system.time(tmp <- x %*% x)
   user  system elapsed 
 37.964   0.320  19.434 
system.time(tmp <- x %*% x)
   user  system elapsed 
 38.156   0.256  19.495 

下图是我的 PC 双核欢畅的跑满（物理双核，虚拟四线程）资源的样子：

可见 Open BLAS 对付 R 的底层矩阵运算的晋升很是明明，可以想象假如在 R 中假如大量的利用向量化编程思路，计较所损耗的时间将会大大缩短。

---

留意：还未仔细实验其兼容性，请酌情利用

 

 

 

 

本文转载自：http://www.bjt.name/2013/06/open-blas-r/