我想使用 lapack 并为其制作 C++ 矩阵包装器，但 lapack 是用 Fortran 编写的，有一些 clapack 但我想从源代码使用它。首先将 *.f 和 *.cpp 文件编译为目标文件，然后将其链接到应用程序中。
我拥有以下应用程序和来源。
我该如何申请，请帮忙...
我的操作系统是 Windows 7 和 CPU Core2Duo，并且我没有 Intel 数学内核
我正在使用 numpy.svd 来计算条件不良矩阵的奇异值分解。对于某些特殊情况，svd 不会收敛并引发 Linalg.Error。我做了一些研究，发现 numpy 使用 LAPACK 中的 DGEESDD 例程。标准实现的硬编码迭代限制为 35 次或更多迭代。如果我尝试在 Matlab 中分解相同的矩阵，一切都会正常，我认为有两个原因： 1. Matlab 使用 DGESVD 而不是 DGEESDD，后者通常看起来更稳健。2. Matlab 在例程中使用 75 次迭代限制。（他们在源代码中更改了它并重新编译了它。）
现在的问题是：是否有一种简单的方法可以将 numpy 中使用的后端从 DGEESDD 更改为 DGESVD，而无需修改 numpy 源？
预先感谢米莎
我想执行一串矩阵乘法，如果可以避免的话，我宁愿不分配新的矩阵。例如，我想计算 C = C * B （所以我将 C 作为A和传递C）
我可以这样做吗（因为dgemm将A和 都标记B为in变量）？
我对犰狳的使用有疑问.
我正在使用Ubuntu 12.10,以及Code :: Blocks中的gcc编译器.我使用synaptic包管理器安装了LAPACK和BLAS.我还使用突触包管理器安装了一次Armadillo,一次是用CMake手动安装的.CMake在进行犰狳编译的配置时找到了LAPACK和BLAS库.此外,我在"构建选项" - >"链接器"中的代码::块中链接了BLAS和LAPACK的库.
但是,每当我想构建我的项目时,我都会收到错误消息:
In function `void arma::lapack::getrf<double>(int*, int*, double*, int*, int*, int*)':|
/usr/include/armadillo_bits/lapack_wrapper.hpp|41|undefined reference to `wrapper_dgetrf_'|
这显然意味着犰狳找不到LAPACK,但我做错了什么？
我还取消了armadillo_bits/config.hpp文件中各自的行,因此它看起来像这样:
#if !defined(ARMA_USE_LAPACK)
//#define ARMA_USE_LAPACK
//// Uncomment the above line if you have LAPACK or a high-speed replacement for LAPACK,
//// such as Intel MKL, AMD ACML, or the Accelerate framework.
//// LAPACK is required for matrix decompositions (eg. SVD) and matrix inverse.
#endif
#if !defined(ARMA_USE_BLAS)
//#define ARMA_USE_BLAS
//// Uncomment the above line if you have BLAS or …我已经从 Ubuntu 中的 Synaptic 包管理器安装了 LAPACK 和 BLAS。
whereis libblas
libblas: /usr/lib/libblas.so /usr/lib/libblas.a /usr/lib/libblas
whereis liblapack
liblapack: /usr/lib/liblapack.a /usr/lib/liblapack.so
当我尝试编译randomsys1 示例时，gfortran我收到以下错误消息。
gfortran randomsys1.f90 -L/usr/lib/lapack -llapack -L/usr/lib/libblas -lblas
/tmp/cclwtifh.o: In function `MAIN__':
randomsys1.f90:(.text+0x12): undefined reference to `init_random_seed_'
collect2: error: ld returned 1 exit status
或者
gfortran randomsys1.f90 -llapack -lblas
/tmp/ccB1isEC.o: In function `MAIN__':
randomsys1.f90:(.text+0x12): undefined reference to `init_random_seed_'
collect2: error: ld returned 1 exit status
根据我的理解，这是gfortran与lapackand链接的推荐方式blas（请参考gfortran LAPACK “undefined reference” error …
有两个维度为 2 的复杂数组，我想计算一个逐点乘法（Hadamard 乘积）：
complex(8) :: A(N,N), B(N,N), C(N,N)
...
do j = 1, N
do i = 1, N
C(i,j) = A(i,j)*B(i,j)
enddo
enddo
是否有任何 BLAS 例程来优化它，或者这实际上已经是编写 Hadamard 产品的最有效方法？或者在这种简单的情况下，编译器是否为我完成了这项工作？
我用 Fortran 编码，所以第一个索引是快速索引。
我有一个y = Ax + b形式的方程组,其中y,x和b是n×1向量,A是×n(对称)矩阵.
所以这里是皱纹.并非所有的x都是未知的.指定了某些x行,并且y的相应行未知.以下是一个例子
| 10 | | 5 -2 1 | | * | | -1 |
| * | = | -2 2 0 | | 1 | + | 1 |
| 1 | | 1 0 1 | | * | | 2 |
其中,*指定未知数.
我已经为Fortran中的上述问题构建了一个求解器,但是我想知道是否有一个不错的鲁棒求解器作为Lapack或MLK的一部分用于这些类型的问题？
我的求解器基于一个排序矩阵,称为根据已知和未知pivot = [1,3,2]重新排列x …
每次调用 R 都会创建 63 个子进程
Rscript --vanilla -e 'Sys.sleep(5)' & pstree -p $! | grep -c '{R}'
# 63
哪里pstree看起来像这样
R(2562809)???{R}(2562818)
??{R}(2562819)
...
??{R}(2562878)
??{R}(2562879)
??{R}(2562880)
这是预期的行为吗？
这是一台带有 debian 9.3、R 3.4.3、blas 3.7.0 和 openmp 2.0.2 的 72 核机器
dpkg-query -l '*blas*' 'r-base' '*lapack*' '*openmp*'|grep ^ii
ii libblas-common 3.7.0-2 amd64 Dependency package for all BLAS implementations
ii libblas-dev 3.7.0-2 amd64 Basic Linear Algebra Subroutines 3, static library
ii libblas3 3.7.0-2 amd64 Basic Linear Algebra Reference implementations, shared library
ii …假设我们对依赖于参数 t 的厄密矩阵 h(t) 的特征值和特征向量感兴趣。我的矩阵又大又稀疏，因此需要进行数值处理。
一种简单的方法是在离散化参数值 t_k 处评估矩阵 h(t_k)。是否可以根据“特征向量的特征”对特征向量和特征值进行排序？
让我用下面的简单例子来说明我所说的“特征向量的特征”是什么意思（i 表示虚数单位）。
h(t) = {{1, i t}, {-i t, 1}}
特征值为 1-t 和 1+t，具有相应的特征向量 {-i, 1} 和 {i, 1}。因此，根据“特征向量特征”进行排序，特征值应该在 t = 0 处交叉。然而，大多数特征求解器通过增加特征值来对它们进行排序，将特征向量从负交换为正 t（参见代码和输出图）。
import numpy as np
import scipy.sparse.linalg as sla
import matplotlib.pyplot as plt
def h(t):
# parametrized hermitian matrix
return np.array([[1, t*1j], [-t*1j, 1]])
def eigenvalues(t):
# convert to tuple for np.vectorize to work
return tuple(sla.eigsh(h(t), k=2, return_eigenvectors=False))
eigenvalues = np.vectorize(eigenvalues)
t = np.linspace(-1, 1, num=200) …我有两个大小为 (2500, 208) 和 (208, 2500) 的密集矩阵。我想计算他们的产品。当它是单个进程时，它运行良好且快速，但当它处于多处理块中时，进程会在那里停留数小时。我做更大尺寸的稀疏矩阵乘法，但我没有问题。我的代码如下所示：
with Pool(processes=agents) as pool:
result = pool.starmap(run_func, args)
def run_func(args):
#Do stuff. Including large sparse matrices multiplication.
C = np.matmul(A,B) # or A.dot(B) or even using BLASS library directly dgemm(1, A, B)
#Never go after the line above!
请注意，当该函数run_func在单个进程中执行时，它可以正常工作。当我在本地机器上进行多处理时，它工作正常。当我在 HPC 上进行多处理时，它卡住了。我这样分配我的资源：
srun -v --nodes=1 --time 7-0:0 --cpus-per-task=2 --nodes=1 --mem-per-cpu=20G python3 -u run.py 2
其中最后一个参数是agents上面代码中的数字。这是 HPC 上支持的 LAPACK 库详细信息（从 numpy 获得）：
libraries = ['mkl_rt', 'pthread']
library_dirs = ['**/lib']
define_macros = …