OpenBLAS在Hygon处理器上的编译问题分析与解决方案
问题背景
OpenBLAS作为一个高性能线性代数计算库,其编译过程需要正确识别处理器架构以启用最优化的指令集。近期,部分用户在Hygon C86系列处理器(如7390和5380型号)上编译OpenBLAS时遇到了一个特殊问题:编译器报错提示"CPU you selected does not support x86-64 instruction set"。
问题现象
用户在Hygon C86处理器上使用GCC 11.3.0编译OpenBLAS时,编译过程在早期阶段就会失败。错误信息显示编译器认为目标CPU不支持x86-64指令集。有趣的是,使用较旧版本的GCC(如GCC 7)却能成功编译。
通过详细日志分析发现,当使用GCC 11.3.0时,编译器自动添加了"-march=i386"参数,这显然与实际的64位Hygon处理器架构不符。这种异常行为导致编译过程无法继续。
根本原因
经过深入调查,发现这个问题源于GCC对Hygon处理器的识别机制存在缺陷:
- 在GCC 11和12版本中,对Hygon处理器的支持不完善,导致编译器无法正确识别处理器架构
- 当使用"-march=native"参数时,GCC错误地将Hygon处理器识别为i386架构
- 较旧版本的GCC(如GCC 7)可能使用了不同的识别机制,因此能够正常工作
解决方案
针对这个问题,开发者和用户探索出了几种可行的解决方案:
方案一:指定目标架构
在编译时明确指定处理器架构,绕过自动检测:
make TARGET=ZEN
或
make TARGET=SKYLAKEX
方案二:修改Makefile
在Makefile.prebuild中为getarch和getarch_2nd的编译添加明确的架构参数:
GETARCH_FLAGS += -march=znver3
方案三:禁用native检测
在Makefile.system中注释掉自动添加"-march=native"的行:
#GETARCH_FLAGS += -march=native
方案四:升级编译器
测试表明,GCC 13.1.0已经修复了这个问题,可以正常识别Hygon处理器并完成编译。
技术建议
对于需要在Hygon处理器上部署OpenBLAS的用户,建议:
- 优先考虑升级到GCC 13或更高版本
- 如果必须使用GCC 11/12,可采用方案二或方案三的修改方式
- 对于生产环境,建议在Docker容器中预先构建好优化版本,避免每台机器单独编译
总结
Hygon处理器作为国产x86架构的重要代表,在软件生态兼容性方面仍存在一些需要完善的地方。OpenBLAS作为广泛使用的高性能计算库,其编译问题反映了底层工具链对新型处理器支持的重要性。通过本文提供的解决方案,用户可以在Hygon平台上顺利构建和运行OpenBLAS,充分发挥硬件性能。
未来随着编译器对Hygon处理器支持的不断完善,这类问题有望得到根本解决。在此之前,用户可以根据自身环境选择最适合的临时解决方案。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0213
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0138
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03