搜索对于生成高性能BLAS真的必要吗？
程序优化的一个关键步骤是评估参数的最优值，例如tile sizes和loop unrolling factors（循环展开因子）。传统编译器使用分析模型来计算这些值，而ATLAS库则在参数的取值空间中进行全局搜索，得到不同的取值组合，再在真实硬件上运行，以此决定哪些取值可以得到最好的性能。 广泛认为基于传统模型的优化，比不上基于搜索的，因为分析模型没法涵盖现代高性能架构的复杂性，但迄今为止很少有对这两者的量化比较。
为了做这种量化比较，我们把ATLAS中的全局搜索引擎替换成模型优化引擎，然后在大量架构上测试两种实现的性能。我们的实验表明，基于模型的优化比全局搜索更高效。
介绍
一个广为接受的事实是，编译器生成的代码，效率比不上微调的。例如矩阵乘法。
手动微调程序最简单的方法就是，给定一个平台，写不同版本的程序，然后评估各自的性能，从中选出表现最好的版本。不同版本之间的算法通常是一样的，只是参数取值不一样，例如tile sizes和loop unrolling factors。
ATLAS代码生成器
内存层面优化
分块是一种算法变换，把矩阵乘法转化成一系列小的矩阵乘法，其中每个小矩阵乘法都针对原矩阵的一些块。
评估机器参数
总结和后续工作
本文的实验结果表明，对于ATLAS系统中的参数最优化问题，分析模型可以得到接近最优解来生成高性能的BLAS代码。
参考链接
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.59.9686&rep=rep1&type=pdf