Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

在 Lambda 中使用 AVX2 向量化

Advanced Vector Extensions 2 (AVX2) 是 Intel x86 指令集的向量化扩展，可以对 256 位向量执行单指令多数据 (SIMD) 指令。对于采用 高度可并行化运算的向量化算法，使用 AVX2 可以提高 CPU 性能，从而降低延迟并提高吞吐量。将 AVX2 指令集用于机器学习推理、多媒体处理、科学模拟和财务建模应用程序等计算密集型工作负载。

要将 AVX2 与 Lambda 函数结合使用，请确保函数代码可以访问针对 AVX2 优化的代码。对于某些语言，您可以安装支持 AVX2 的库和程序包版本。对于其他语言，您可以使用相应的编译器标记集（如果编译器支持自动向量化）来重新编译代码和依赖项。您还可以通过利用 AVX2 来优化数学运算的第三方库来编译代码。例如，Intel 数学内核库 (Intel MKL)、OpenBLAS（基本线性代数子程序）和类似 AMD BLAS 的库实例化软件 (BLIS)。自动向量化语言（如 Java）会自动使用 AVX2 进行计算。

您可以创建新的 Lambda 工作负载或免费将启用 AVX2 的现有工作负载移至 Lambda。

有关 AVX2 的更多信息，请参阅维基百科中的 Advanced Vector Extensions 2。

从源进行编译

如果 Lambda 函数使用 C 或 C++ 库来执行计算密集型向量化运算，则可以设置适当的编译器标记并重新编译函数代码。然后，编译器会自动向量化代码。

对于 gcc 或 clang 编译器，请向命令中添加 -march=haswell 或将 -mavx2 设置为命令选项。

~ gcc -march=haswell main.c
or
~ gcc -mavx2 main.c  
 
~ clang -march=haswell main.c
or
~ clang -mavx2 main.c
    

要使用特定库，请按照库文档中的说明编译和构建库。例如，要 TensorFlow 从源代码构建，可以按照 TensorFlow 网站上的安装说明进行操作。确保使用 -march=haswell 编译选项。

为 Intel MKL 启用 AVX2

Intel MKL 是一个优化的数学运算库，在计算平台支持 AVX2 指令时，它会隐式使用这些指令。诸如默认使用英特尔 MKL PyTorch 构建之类的框架，因此您无需启用 AVX2。

某些库（例如 TensorFlow）在其构建过程中提供了用于指定英特尔 MKL 优化的选项。例如，对于 TensorFlow，使用--config=mkl选项。

您还可以使用英特尔 MKL 构建常用的科学 Python 库 NumPy，例如 SciPy 和。有关使用 Intel MKL 构建这些库的说明，请参阅 Intel 网站上的 使用 Intel MKL 和 Intel 编译器的 Nummpy/Scipy。

有关英特尔 MKL 和类似库的更多信息，请参阅维基百科中的数学内核库、OpenBLAS 网站和上的 AMD BL IS 存储库。 GitHub

其他语言中的 AVX2 支持

如果您不使用 C 或 C++ 库，也不使用 Intel MKL 构建，也可以在一定程度上提高应用程序的 AVX2 性能。请注意，实际性能提高情况取决于编译器或解释器在代码上利用 AVX2 功能的能力。