OpenBLAS 0.3.29版本发布:性能优化与跨平台支持全面升级
OpenBLAS是一个高性能的基础线性代数子程序库(BLAS),它针对各种处理器架构进行了高度优化。作为科学计算和机器学习领域的基础组件,OpenBLAS为矩阵运算、向量操作等提供了高效的实现。最新发布的0.3.29版本带来了多项重要改进,包括性能优化、错误修复以及对新硬件平台的支持。
核心架构改进
本次更新在基础架构层面进行了多项重要改进。首先解决了多线程构建中可能出现的空指针解引用问题,增强了库的稳定性。同时增加了GEMMT函数的别名GEMMTR,以保持与Reference-BLAS的兼容性。对于使用CMake构建的项目,最低CMake版本要求提升至3.16.0,消除了许多兼容性和废弃警告。
在多线程性能方面,SBGEMV(单精度带状矩阵向量乘法)和TRTRI(三角矩阵求逆)的线程扩展性得到了显著改善。此外,还修复了多线程BLAS3调用中可能出现的精度问题,确保了计算结果的准确性。
跨平台与编译器支持
0.3.29版本显著扩展了对不同平台和编译器的支持:
- 新增了对NAG Fortran编译器的支持
- 针对LLVM18及更高版本的flang-new编译器改进了选项处理
- 适应了Cray和NVIDIA编译器的最新调用约定变化
- 修复了Windows on Arm平台的编译问题
- 增加了对IOS系统和NetBSD(evbarm架构)的支持
- 解决了使用NVIDIA编译器编译SVE目标时的问题
各架构专项优化
ARM64架构
ARM64平台获得了多项重要更新,包括修复了c/zgemm_beta内核中长期存在的数组越界问题,重写了CPU自动检测逻辑以扫描所有核心并返回最高性能类型。对于SVE(可伸缩向量扩展)目标,DGEMM(双精度矩阵乘法)在小矩阵情况下的性能得到提升,并新增了ROT和SWAP操作的SVE内核。
特别值得注意的是,SGEMV和DGEMV(单/双精度矩阵向量乘法)在A64FX和NEOVERSEV1处理器上的SVE内核性能得到优化,同时增加了对Apple M4处理器的自动检测和初步支持。
x86_64架构
x86_64平台修复了Cooper Lake架构上SBGEMV内核的存储大小问题,增加了对Intel Granite Rapids和AMD Ryzen 5系列处理器的自动检测。新增了针对AVX目标的优化SOMATCOPY_CT(单精度矩阵转置复制)实现,并重新启用了EXPRECISION选项的构建。
POWER架构
POWER平台修复了多线程SBGEMM(单精度带状矩阵乘法)的问题,改进了SGEMV性能,并增加了向量化的SBGEMV实现。特别针对POWER10处理器,新增了优化的CGEMM和ZGEMM(单/双精度复数矩阵乘法)内核。
其他架构
MIPS64、Loongarch64和RISC-V架构也获得了多项改进。Loongarch64平台新增了LASX目标的优化SOMATCOPY实现,并引入了新的CPU命名方案。RISC-V平台则优化了SNRM2/DNRM2(单/双精度向量2范数)在RVV1.0目标上的性能,并修复了多个实现问题。
构建系统与工具链改进
构建系统方面,0.3.29版本修复了pkgconfig文件中-fopenmp标志和libsuffix的放置问题,改进了Makefile构建生成的CMakeConfig文件。新增了单独的"make install_tests"目标,便于交叉编译场景下的使用。
对于开发者而言,修复了使用gcc14编译CBLAS测试套件的问题,并改进了pybench基准测试的构建说明。文档方面增加了对WoA(Windows on Arm)和HarmonyOS的构建指导,以及影响构建和运行时行为的环境变量说明。
数值计算与API改进
在数值计算方面,修复了PPC架构上SSCAL和DSCAL(单/双精度向量缩放)处理NaN和Inf参数的问题,确保了特殊值的正确处理。API层面修正了cblas.h中cblas_?geadd的const正确性,并修复了转换后的LAPACK C版本中TRTRS(三角方程组求解)的函数签名。
总结
OpenBLAS 0.3.29版本是一个重要的维护更新,在多线程性能、跨平台支持和特定架构优化方面都有显著提升。特别是对ARM SVE扩展和RISC-V向量指令集的支持不断完善,使得OpenBLAS能够在更多新兴硬件平台上发挥最佳性能。对于科学计算和高性能计算应用开发者来说,升级到这个版本将获得更好的稳定性和性能表现。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0299- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









