检查 NumPy 是否启用 BLAS 加速，最直接的方法是运行 numpy.show_config() 查看链接的线性代数库信息。如果显示链接了 OpenBLAS、MKL 或 BLIS，说明已启用加速库，但实际性能还受线程数设置和运算类型影响。

命令速用版

在终端或命令行中执行以下 Python 命令，直接输出底层库链接信息：

python -c "import numpy as np; np.show_config()"

如果输出中包含 openblas_info、mkl_rt_info 或 blis_info 且目录路径不为空，表示已链接加速库。

为什么会这样

NumPy 自身不实现底层矩阵运算，而是调用外部 BLAS 库执行计算。

NumPy 的核心数组计算性能依赖底层线性代数库（BLAS/LAPACK）。如果安装的是未链接优化库的版本，或者环境变量限制了线程数，大规模矩阵运算会退化为单核串行执行，导致性能不如预期。元素级运算（如数组加法）不经过 BLAS，因此不受此影响。

分步处理

步骤 1：检查链接库信息

运行 np.show_config()，查找 blas_opt_info 或类似字段。如果显示 NOT AVAILABLE 或路径指向系统默认慢速库，需要重新安装。

步骤 2：检查线程数设置

检查环境变量 OPENBLAS_NUM_THREADS、MKL_NUM_THREADS 或 NUMEXPR_NUM_THREADS。如果这些值被设置为 1，BLAS 库将只使用单核。

在 Python 中查看当前线程数设置：

import os
print(os.environ.get("OPENBLAS_NUM_THREADS"))
print(os.environ.get("MKL_NUM_THREADS"))

步骤 3：调整安装源

如果当前未链接优化库，建议使用科学计算发行版或指定源安装。Conda 默认链接 MKL，pip wheels 通常链接 OpenBLAS。

# 使用 conda 安装（默认含 MKL）
conda install numpy

# 使用 pip 安装（通常含 OpenBLAS）
pip install numpy `--upgrade`

怎么验证是否生效

执行大规模矩阵乘法并同时监控 CPU 占用。

import numpy as np
import time
a = np.random.rand(5000, 5000)
b = np.random.rand(5000, 5000)
start = time.time()
c = np.dot(a, b)
print(time.time() - start)

在运算期间使用系统监控工具（如 Linux 的 top 或 Windows 任务管理器）观察 Python 进程。如果启用了多线程 BLAS，CPU 占用率应接近核心数乘以 100%（例如 8 核机器显示 800%）。如果仅占用 100%，说明未启用多线程加速。

常见坑

• 运算类型误区：BLAS 仅加速矩阵乘法、分解等线性代数运算，数组加减乘除等元素级操作不走 BLAS 通道。
• 线程竞争：在多进程场景下，如果每个进程都开启多线程 BLAS，会导致 CPU 资源争抢，反而降低总吞吐量。
• 环境变量冲突：同时设置 MKL 和 OpenBLAS 线程变量可能导致不可预知的行为，建议根据实际链接的库设置对应变量。

常见问题

pip 安装的 NumPy 默认有 BLAS 加速吗？

大多数官方 pip wheel 包已内置 OpenBLAS，但具体取决于平台和版本。

为什么 show_config 显示链接了 MKL 但 CPU 还是单核？

环境变量 MKL_NUM_THREADS 可能被设置为 1，或者进程被限制在单个 CPU 核心上运行。

Conda 和 pip 安装的 NumPy 性能有什么区别？

Conda 默认链接 Intel MKL 库，对 Intel CPU 优化较好；pip 通常链接 OpenBLAS，通用性较强，具体性能差异取决于硬件环境。

参考来源

• NumPy 官方文档，numpy.show_config — NumPy v1.26 Manual，https://numpy.org/doc/stable/reference/generated/numpy.show_config.html
• NumPy 官方文档，Building with BLAS/LAPACK，https://numpy.org/doc/stable/user/building.html