??Intel MKL是一個非常高性能的矩陣庫，Matlab的矩陣計算核心就是鏈接了這個庫。但可惜國內(nèi)學(xué)習(xí)資源不多，而且語法跟Matlab、Numpy等相差甚遠，因此比較少用。但是我們可以用MKL來加速語法風(fēng)格跟Matlab、Numpy很像的Eigen庫，使得用了Eigen庫的C++矩陣計算程序在一定程度上趕超Matlab的矩陣運算性能。//使用Eigen編碼，Intel MKL優(yōu)化
Eigen庫是一個高層次的C++矩陣庫，支持包括固定大小、任意大小的所有矩陣操作，甚至是稀疏矩陣；支持所有標準的數(shù)值類型，并且可以擴展為自定義的數(shù)值類型；支持多種矩陣分解及其幾何特征的求解；它不支持的模塊生態(tài)系統(tǒng)提供了許多專門的功能，如非線性優(yōu)化，矩陣功能，多項式解算器，快速傅立葉變換等。
? 多的不說了，下面開始進行Intel MKL的安裝：
一.Intel MKL安裝及VS2015下的屬性配置：（謹記：要先安裝VS再安裝MKL?。?/p>
我安裝的是2018版本。于是我下載parallel_studio_xe_2018。推薦從官網(wǎng)下載，安裝文件在3.4G左右。
在官網(wǎng)用郵箱注冊可以獲得試用的下載碼以及l(fā)ic激活文件（我們可以認為它是免費的了）。
打開該文件，居然是要解壓才能繼續(xù)安裝……
點擊setup.exe進行安裝……
? 我選擇的路徑是：D:\Program Files\IntelSWTools
? 選擇Integration Target為VS2015：
? 然后根據(jù)步驟安裝即可。
? 安裝后是這個樣子的：此時環(huán)境變量已經(jīng)自動設(shè)置好，就差VS2015里面的相關(guān)配置了。
? 下面開始配置VS2015使其能夠調(diào)用Intel MKL庫：
新建一個C++控制臺項目，打開該項目的“屬性管理器”：
這里Debug和Release的屬性配置方法都是一樣的，不同的是32位和64位的配置。
在Release|Win32下新建一個MKL屬性：
雙擊剛剛新建的屬性配置文件，依次配置：VC++目錄->可執(zhí)行目錄；VC++目錄->包含目錄；VC++目錄->庫目錄；鏈接器->附加依賴項。具體的配置內(nèi)容如圖所示：
這樣就OK了。下面配置Release|x64的屬性：
同理創(chuàng)建好屬性配置文件：
? ?雙擊剛剛新建的屬性配置文件，依次配置：VC++目錄->可執(zhí)行目錄；VC++目錄->包含目錄；VC++目錄->庫目錄；鏈接器->附加依賴項。注意：其中的“VC++目錄->可執(zhí)行目錄；VC++目錄->包含目錄”兩項配置內(nèi)容跟前面的win32配置是一樣的。后面的兩項“VC++目錄->庫目錄；鏈接器->附加依賴項”配置就有點不同了！這兩項的詳細配置內(nèi)容如下圖：
OK，完成上述步驟之后就可以在VS2015的該項目上調(diào)用Intel MKL庫了。
實例代碼不急著看……等講完Eigen的安裝與配置再放測試代碼。
二. Eigen3的安裝及VS2015中的屬性配置：
? ?1. 安裝Eigen3相對簡單很多，只需在官網(wǎng)上下載一個壓縮包，然后解壓到某個文件夾上即可：具體如下：
（當(dāng)然也可以在github中下載到）
2. 解壓到喜歡的文件夾下：
3. VS2015中的屬性配置：此時無論是Debug模式還是Release模式，無論是Win32還是x64，都是一樣的配置方法（因此只需建立一個配置文件，然后在屬性管理器的其他模式下添加該配置文件即可）。
????????一步到位：C/C++->常規(guī)->附加包含目錄
????????下面就可以來測試Eigen與Intel MKL結(jié)合的運行效果了：
代碼如下：
//使用Eigen編碼，Intel MKL優(yōu)化//加這兩行，用于調(diào)用Intel MKL庫進行優(yōu)化
#define EIGEN_USE_MKL_ALL
#define EIGEN_VECTORIZE_SSE4_2
#include?? <iostream>
#include?? <windows.h>
#include?? <stdlib.h>
#include?? <Eigen/Core>
#include?? <Eigen/Dense>
#include?? <time.h>
using namespace std;
using namespace Eigen;
int main(int argc, char *argv[])
{
mkl_set_dynamic(4); // Intel MKL庫里面的一個函數(shù)，用來指定使用4個CPU進行計算
double start = clock();
MatrixXd a = MatrixXd::Random(300, 300);? // 隨機初始化矩陣
MatrixXd b = MatrixXd::Random(300, 300);
// 循環(huán)5000次以測試性能與Matlab對比
for (int i = 0; i < 5000; i++) {
MatrixXd c = a * b;? ? // 矩陣相乘
c = a.inverse(); // 求逆矩陣
c = a + b;? // 矩陣相加
c = a.cwiseProduct(b); // 矩陣a和b按元素相乘（對應(yīng)于Matlab的 .* ）
}
double endd = clock();
double thisTime = (double)(endd - start) / CLOCKS_PER_SEC; // 輸出運行時間
cout << thisTime << "秒" << endl;
return 0;
}
運行效果：
為了對比，用Matlab寫一個相同功能的進行效率對比：
看到這個結(jié)果不要對C++的Eigen結(jié)合Intel MKL的方法感到失望。雖然Eigen本身也是個高性能的矩陣庫，但也不如Intel MKL針對英特爾的CPU的特殊優(yōu)化。本例中，因為畢竟是結(jié)合Intel MKL優(yōu)化，而不是純粹地用MKL。而Matlab是高度優(yōu)化地用了Intel MKL進行矩陣計算的。因此這個C++的Eigen結(jié)合Intel MKL在矩陣計算上只能匹的得上Matlab，但是至于趕超，還需要純粹地用Intel MKL或者再進行深度優(yōu)化。
但是，C++在循環(huán)上效率是遠超Matlab的，因此，假如上面的程序執(zhí)行10000次，那么效率如下：
????? ? 可見當(dāng)大量進行循環(huán)時，用C++的Eigen結(jié)合Intel MKL方法，效率會比Matlab好，而且，開發(fā)效率也不比Matlab低。更不用說python了，python的numpy+mkl也難以跟上這個效率。關(guān)鍵是，Eigen是開源免費的，而Intel MKL我們可以用郵箱申請到非商業(yè)版，也等于是免費的了。相比要收費的Matlab而言，是越來越受到學(xué)生和開發(fā)者們的青睞了。
有人可能會認為搞矩陣搞機器學(xué)習(xí)人工智能，就應(yīng)該用matlab、就應(yīng)該用python，而不應(yīng)該用折騰人的C++。這點我不否定，但其實python可以輕松地與C++結(jié)合。tensorflow也是如此，它的內(nèi)核是用C++的，只是給python提供了接口以便用Python進行快速構(gòu)建。順便一提，tensorflow的矩陣庫也是用eigen的，因此可以用python進行快速開發(fā)，同時也保證了極高的效率。
