from：http://unifius.wordpress.com.cn/archives/5
系統：Gentoo Linux (64bit, Kernel 3.7.1)
配置：Intel(R) Core(TM) i7-2670QM
在Gentoo中安裝Numpy/Scipy非常簡單，直接emerge就可以解決。但是默認鏈接的blas/lapack庫性能非常差，在矩陣計算方面比MATLAB慢了不少。原因在於MATLAB使用的是高度優化的數值計算庫Intel math kernel library (MKL)。最新的MKL庫在science overlay中有，安裝后通過eselect blas/lapack set可以將系統默認鏈接的庫設定為MKL（如mkl64-int64-dynamic-openmp）。設定之后再emerge numpy就可使用鏈接MKL庫的numpy，而且可以發現svd等常用矩陣計算函數的速度大大提升。可問題是scipy無法emerge通過，查看log發現scipy無法檢測到-lblas，即它根本沒有識別系統默認鏈接庫的設置。science overlay中blas/lapack庫及其相關包的安裝向來十分糾結，因為這里面似乎還沒有完善的鏈接管理。這些問題持續了至少一年，近來才發現（部分）解決途徑。
我們改換策略，手工安裝numpy。首先獲取最新的numpy包：git clone git://github.com/numpy/numpy.git numpy
然后進入到根目錄。我們需要進行一些配置才能使numpy用上安裝好的MKL庫。這部分可以參考Intel官網的一個教程：
http://software.intel.com/en-us/articles/numpyscipy-with-intel-mkl
首先在根目錄中加入site.cfg文件：
[mkl]
library_dirs = /opt/intel/mkl/composer_xe_2013/lib/intel64
include_dirs = /opt/intel/mkl/include
mkl_libs = mkl_rt
lapack_libs =
這里library_dirs與include_dirs是MKL的相關路徑，注意各Linux發行版有細微區別。接下來修改numpy/distutils/intelccompiler.py中的cc_exe：
self.cc_exe = 'icc -O3 -g -fPIC -fp-model strict -fomit-frame-pointer -openmp -xhost'
以及numpy/distutil/fcompiler/intel.py中ifort的參數（最新版numpy里已經設置好了）。最后回到根目錄進行編譯：
sudo python2.7 setup.py config --compiler=intelem --fcompiler=intelem build_clib --compiler=intelem --fcompiler=intelem build_ext --compiler=intelem --fcompiler=intelem install
因為使用的是64位系統，所以是intelem。由於用到了Intel的c與fortran編譯器（這二者也能帶來性能的提升），編譯前需要預先安裝icc以及ifc（直接emerge即可安裝）。注意，上述命令只編譯了python2.7版本的，而之后系統編譯scipy還需要py3k版本，所以還需要用python3.2再編譯一次，這樣兩種版本的numpy就都安裝在了系統中。至此我們已經從源碼安裝了numpy，且讓其鏈接上了最新的MKL庫。
現在產生了一個新的問題：使用emerge安裝scipy等其他依賴numpy的包時系統會自動安裝numpy，覆蓋掉我們手工安裝的numpy，這樣就又回到了之前的老路子。這時Gentoo靈活的配置性就體現出來了，通過echo "dev-python/numpy-1.7.0" >> /etc/portage/profile/package.provided
我們可以告訴系統numpy的1.7.0版本已經手動安裝好了，這樣系統之后安裝其他依賴包時就不會再動numpy了。當然，隔一段時間后numpy可能會發布新版本，這時更新系統會把已安裝的numpy覆蓋掉，所以要定期手動升級numpy。
上面這種方法的好處是最大程度保留了系統功能，讓系統去自動處理盡量多的任務，留給我們的任務僅僅是每隔一段時間更新Numpy。使用python做普通科學計算，其性能主要由numpy決定，因此保證numpy的最優就足夠。當然也可以手動編譯所有python數值計算庫，只是會在更新時多費些時間和精力。
實際測試中，這種方法安裝的numpy的速度稍快於MATLAB，不過numpy與scipy的自帶測試並沒有全部通過。這並不影響基本使用，因此我還未探究原因何在。