Solusi untuk tidak adanya perpustakaan BLAS / LAPACK untuk instalasi SciPy pada Windows 7 64-bit dijelaskan di sini:
http://www.scipy.org/scipylib/building/windows.html
Menginstal Anaconda jauh lebih mudah, tetapi Anda masih tidak mendapatkan dukungan Intel MKL atau GPU tanpa membayar untuk itu (mereka ada dalam Pengoptimalan MKL dan Mempercepat pengaya untuk Anaconda - Saya tidak yakin apakah mereka juga menggunakan PLASMA dan MAGMA) . Dengan optimasi MKL, numpy telah mengungguli IDL pada perhitungan matriks besar sebanyak 10 kali lipat. MATLAB menggunakan perpustakaan Intel MKL secara internal dan mendukung komputasi GPU, jadi orang mungkin juga menggunakannya untuk harga jika mereka seorang pelajar ($ 50 untuk MATLAB + $ 10 untuk Parallel Computing Toolbox). Jika Anda mendapatkan uji coba gratis dari Intel Parallel Studio, ia dilengkapi dengan perpustakaan MKL, serta kompiler C ++ dan FORTRAN yang akan berguna jika Anda ingin menginstal BLAS dan LAPACK dari MKL atau ATLAS di Windows:
http://icl.cs.utk.edu/lapack-for-windows/lapack/
Parallel Studio juga dilengkapi dengan perpustakaan Intel MPI, berguna untuk aplikasi komputasi cluster dan prosesor Xeon terbaru mereka. Meskipun proses membangun BLAS dan LAPACK dengan optimisasi MKL tidak mudah, manfaat melakukannya untuk Python dan R cukup besar, seperti yang dijelaskan dalam webinar Intel ini:
https://software.intel.com/en-us/articles/powered-by-mkl-accelerating-numpy-and-scipy-performance-with-intel-mkl-python
Anaconda dan Enthought telah membangun bisnis karena membuat fungsi ini dan beberapa hal lainnya lebih mudah untuk digunakan. Namun, ini tersedia secara gratis bagi mereka yang bersedia melakukan sedikit pekerjaan (dan sedikit belajar).
Bagi mereka yang menggunakan R, Anda sekarang bisa mendapatkan BLAS dan LAPACK yang dioptimalkan MKL secara gratis dengan R Open dari Revolution Analytics.
EDIT: Anaconda Python sekarang disertakan dengan optimisasi MKL, serta dukungan untuk sejumlah optimasi perpustakaan Intel lainnya melalui distribusi Intel Python. Namun, dukungan GPU untuk Anaconda di perpustakaan Accelerate (sebelumnya dikenal sebagai NumbaPro) masih lebih dari $ 10k USD! Alternatif terbaik untuk itu mungkin PyCUDA dan scikit-cuda, sebagai copperhead (pada dasarnya versi gratis dari Anaconda Accelerate) sayangnya menghentikan pengembangan lima tahun lalu. Ini dapat ditemukan di sini jika ada yang ingin mengambil di mana mereka tinggalkan.