mkldnn/onednn/openblas

测试mkldnn矩阵乘

需要将MKL_LIB_PATH="intel_2020.3.279/lib/intel64:intel_2020.3.279/mkl/lib/intel64"加入到LD_LIBRARY_PATH中。
example 目录 intel_2020.3.279/mkl/examples/cblas/source/cblas_sgemmx.c 这是mkl自带的example，还有cblas_gemm_s8u8s32x.c代表signed int8，unsigned int8，signed int32，对应传入的A、B、C矩阵数据类型，表示INT8量化加速接口。
编译命令：
make libintel64 function=cblas_gemm_s8u8s32 compiler=gnu
make libintel64 function=cblas_sgemm compiler=gnu
可以指定编译器为gnu还是intel的，也可以指定是并行多线程parallel还是单线程

Linux安装oneDNN

先从git clone，然后需要指定make install的安装目录：

mkdir -p build && cd build
cmake -D CMAKE_INSTALL_PREFIX=/data1/duoren/oneDNN ..
make -j
make install

编译程序时使用命令g++ -g -o sgemm -std=c++11 -I${DNNLROOT}/include -L${DNNLROOT}/lib64 cpu_sgemm_and_matmul.cpp -ldnnl
其中$DNNLROOT是make install的目录，否则会报dnnl_config.h.in以及libdnnl.so找不到的错误。
其中oneDNN/examples/tutorials/matmul/cpu_sgemm_and_matmul.cpp是测试矩阵乘接口的文件，但是要放到examples目录下，因为需要引入example_utils.hpp头文件。
在onednn中，gemm有三种实现方案，gemm，static gemm和dynamic gemm。这些在mkl是没有的。
旧版mkl-dnn的gemm使用的是mkl的gemm，mkl对于小矩阵的计算，速度并不快。旧版mkl-dnn主要是做cnn和lstm的优化
onednn中，有两个选择，1继续使用mkl的gemm，2使用新的gemm。

安装OpenBlas

make
make install PREFIX=your_installation_directory

默认安装到/opt/OpenBLAS/lib，否则需要将其加到LD_LIBRARY_PATH。
编译命令：g++ -g -o sgemm compare_sgemm_shgemm.c -I/opt/OpenBLAS/include -L/opt/OpenBLAS/lib/ -lopenblas

linux查看CPU型号

centos7.6 cat /proc/cpuinfo | grep name | cut -f2 -d: | uniq -c
ubuntu18.04 grep "model name" /proc/cpuinfo |awk -F ':' '{print $NF}'
IDC服务器：Intel(R) Xeon(R) CPU E5-2680 v4 @ 2.40GHz
MIT服务器：Intel(R) Core(TM) i7-7800X CPU @ 3.50GHz