R 语言中的OpenBLAS*和英特尔® 数学核心函数库的性能比较

简介

如今，科学行业和商业领域收集和分析了大量的数据，并根据分析结果制定决策。他们采用数据可视化技术和预测分析，预测未来的可能性和趋势。 R 是一种编程语言，用于计算统计、数据可视化和预测分析 [1]。由于数据可视化和预测分析属于计算密集型工作，有必要寻找提升计算过程的方法，缩短商业和科技决策的制定时间。本文对基本线性代数子程序 (BLAS) [2]， OpenBlas* 库 [3] 和英特尔® 数学核心函数库（英特尔® MKL）[4].之间的性能差别进行了对比。

性能测试流程

衡量性能的标准是运行测试花费的时间（秒）。为了对比不同库的性能，我们在配备有英特尔® 至强® 处理器 E5-2697 v4 的系统上执行测试。首先，加载 OpenBLAS，并执行测试。然后，加载 Revolution R 和英特尔 MKL，并再次执行测试。我们设计了简单的测试，以测量运行某些 R 函数所需的时间。例如，为了测量交叉乘积和矩阵的柯列斯基 [5] 函数的性能，我们遵循以下步骤：

创建矩阵 A。
用以下命令测量 A 矩阵交叉乘积的时间：
system.time (crossprod(A))
用以下命令测量 A 矩阵运行柯列斯基函数的时间：
system.time (chol(A))

进行以下测试：

矩阵的交叉乘积（R 函数的交叉乘积）
矩阵的柯列斯基分解（R 函数的柯列斯基分解）
奇异值分解（R 函数的奇异值分解） [6]
主组件分析（R 函数的主组件分析） [7]
R 语言的性能指标（此性能指标包含 15 个测试。）

测试配置

硬件

系统：预生产
处理器：英特尔至强处理器 E5-2697 v4 @2.3 GHz
内核： 18
内存： 128 GB DDR4

软件

RedHat Enterprise Linux* 7.0
R 3.2.2
Revolution R* 3.2.2
OpenBLAS 0.2.14
英特尔 MKL（来源于 revomath-3.2.2）

注：由于在默认情况下，Revolution R 与英特尔 MKL 相连接，本文利用 Revolution R [8] 测试英特尔 MKL 中的 R 函数。

测试结果

图 1：对比 OpenBLAS* 和英特尔® 数学核心函数库测试的消耗时间。

图 1 仅显示了 R - benchmark - 25 [14] 测试消耗的总时间。结果按照英特尔 MKL 性能提升幅度，进行升序排列。

图 2： OpenBLAS* 和英特尔® 数学核心函数库对比测试的 R-benchmark-25 的详细结果。

图 2 显示 R-benchmark v. 2.5 的各个结果。结果按照英特尔 MKL 性能提升幅度，进行升序排列。几乎全部的英特尔 MKL 测试结果优于 OpenBLAS，最终的测试除外，即在 45x45 矩阵上运行 Escoufier 算法。如欲了解有关特征值、斐波纳契数列、希尔伯特矩阵和托普利茨矩阵的更多信息，请分别查看参考部分的第 [9]、[10]、[11] 和 [12] 条目。

需要指出的是，测试不是在最新版的英特尔 MKL 上完成的。最新版的英特尔 MKL 针对小型矩阵进行了优化。

使用英特尔® 数学核心函数库的优势

图 1 和图 2 的结果显示，和使用 OpenBLAS 相比，使用配备英特尔® 至强® 处理器 E5-2697 v4 产品家族的英特尔® 数学核心函数库可以提高 R 函数的速度，如交叉乘积、Cholesky 分解、单值分解 (SVD) 等等。这些函数在机器学习 (ML) 方法和现代数据分析中发挥着重要作用。英特尔 MKL 利用英特尔至强处理器 E5 v4 的特性，即英特尔® 高级矢量扩展指令集 2（英特尔® AVX2），提升了矩阵运算和函数的性能。英特尔至强处理器 E5 v4 部署了乘加融合 (FMA) [13] 的硬件特性，极大提高了广泛应用于矩阵运算的乘加融合运算的速度。如欲了解 FMA 的更多信息，请访问 www.software.intel.com。由于新的英特尔® 至强® 处理器发布了更多的架构改进，新版英特尔 MKL 将利用这些特性进一步优化上述函数，无需用户干预。

结论

R 语言在数据分析中发挥了重要作用。 R 语言的提速能提高数据分析工具的性能。由于矩阵运算在数据分析工具中占了很大比重，总体来说，英特尔 MKL 会提升这些工具的速度，因为英特尔 MKL 利用包括英特尔 AVX2 在内的一些特性来提高矩阵运算的速度。使用英特尔 MKL，您不需要修改 R 语言源代码。请把　Ｒ　语言编译器连接到最新版英特尔　MKL，以利用新版英特尔至强处理器的新特性。

本文为 ML 系列文章的第一篇。下一篇文章将介绍英特尔 MKL 如何在功能层面和应用层面实现提速。后续文章将探讨如何利用 Python* 使用和优化 ML 应用。

参考资料

[1] 什么是 R 语言？ https://www.r-project.org/about.html

[2] 基本线性代数子程序 - 维基百科，免费的百科全书 https://en.wikipedia.org/wiki/Basic_Linear_Algebra_Subprograms

[3] 优化的 BLAS 库 http://www.openblas.net/

[4] 英特尔® 数学核心函数库 https://software.intel.com/zh-cn/intel-mkl?wapkw=intel%20mkl

[5] Cholesky 分解 - 维基百科，免费的百科全书 https://en.wikipedia.org/wiki/Cholesky_decomposition

[6] 单值分解 - 维基百科，免费的百科全书 https://en.wikipedia.org/wiki/Singular_value_decomposition

[7] 主组件分析 - 维基百科，免费的百科全书 https://en.wikipedia.org/wiki/Principal_component_analysis

[8] Revolution R http://www.revolutionanalytics.com/

[9] 特征值 – 选自 Wolfram MathWorld http://mathworld.wolfram.com/Eigenvalue.html

[10] 什么是斐波纳契数列？ http://www.livescience.com/37470-fibonacci-sequence.html