我只是
numpy在
virtualenv带有
OpenBLAS集成的a内编译，看来工作正常。
这是我的过程：
编译
OpenBLAS：
$ git clone https://github.com/xianyi/OpenBLAS$ cd OpenBLAS && make FC=gfortran$ sudo make PREFIX=/opt/OpenBLAS install
如果你没有管理员权限，则可以将其设置PREFIX=为具有写权限的目录（只需相应地修改下面的相应步骤）。
确保包含目录的目录libopenblas.so位于共享库搜索路径中。
要在本地执行此操作，你可以编辑~/.bashrc文件以包含该行
export LD_LIBRARY_PATH=/opt/OpenBLAS/lib:$LD_LIBRARY_PATH
LD_LIBRARY_PATH当启动新的终端会话时，环境变量将被更新（用于
$ source ~/.bashrc强制在同一会话中进行更新）。
适用于多个用户的另一个选项是
.conf在
/etc/ld.so.conf.d/包含的行中创建一个文件
/opt/OpenBLAS/lib，例如：
$ sudo sh -c "echo '/opt/OpenBLAS/lib' > /etc/ld.so.conf.d/openblas.conf"
完成任一选项后，运行
$ sudo ldconfig
抓取numpy源代码：
$ git clone https://github.com/numpy/numpy$ cd numpy
复制
site.cfg.example到
site.cfg并编辑副本：
$ cp site.cfg.example site.cfg$ nano site.cfg
取消注释以下行：
....[openblas]libraries = openblaslibrary_dirs = /opt/OpenBLAS/libinclude_dirs = /opt/OpenBLAS/include....
检查配置，构建和安装（可以选择在
virtualenv）
$ python setup.py config
输出应如下所示：
...openblas_info: FOUND: libraries = ['openblas', 'openblas'] library_dirs = ['/opt/OpenBLAS/lib'] language = c define_macros = [('HAVE_CBLAS', None)] FOUND: libraries = ['openblas', 'openblas'] library_dirs = ['/opt/OpenBLAS/lib'] language = c define_macros = [('HAVE_CBLAS', None)]...与安装
pip是最好用
python setup.py install的，因为
pip将跟踪包的元数据，让你轻松卸载或将来升级
numpy的。
$ pip install .
- 可选：你可以使用此脚本来测试不同线程数的性能。
$ OMP_NUM_THREADS=1 python build/test_numpy.pyversion: 1.10.0.dev0+8e026a2maxint: 9223372036854775807BLAS info: * libraries ['openblas', 'openblas'] * library_dirs ['/opt/OpenBLAS/lib'] * define_macros [('HAVE_CBLAS', None)] * language cdot: 0.099796795845 sec$ OMP_NUM_THREADS=8 python build/test_numpy.pyversion: 1.10.0.dev0+8e026a2maxint: 9223372036854775807BLAS info: * libraries ['openblas', 'openblas'] * library_dirs ['/opt/OpenBLAS/lib'] * define_macros [('HAVE_CBLAS', None)] * language cdot: 0.0439578056335 sec对于更高的线程数，性能似乎有了明显的提高。但是，我尚未对此进行非常系统的测试，对于较小的矩阵，额外的开销可能会超过线程数增加带来的性能好处。
