NOTE:此示例代码可以在 https://github.com/dev-cafe/cmake-cookbook/tree/v1.0/chapter-11/recipe-05 中找到。该示例在CMake 3.5版(或更高版本)中是有效的，并且已经在GNU/Linux、macOS和Windows上进行过测试。

这个示例中，我们将基于之前示例的结果，并且为CMake项目准备一个更真实和复杂的Conda包，这将取决于DGEMM的函数实现，对于矩阵与矩阵的乘法，可以使用Intel的MKL库进行。Intel的MKL库可以以Conda包的形式提供。此示例将为我们提供一个工具集，用于准备和共享具有依赖关系的Conda包。

准备工作

对于这个示例，我们将使用与前一个示例中的Conda配置，和相同的文件命名和目录结构：

  1. .
  2. ├── CMakeLists.txt
  3. ├── conda-recipe
  4. │    └── meta.yaml
  5. └── example.cpp

示例文件(example.cpp)将执行矩阵-矩阵乘法，并将MKL库返回的结果与“noddy”实现进行比较:

#include "mkl.h"

#include <cassert>
#include <cmath>
#include <iostream>
#include <random>

int main() {
  // generate a uniform distribution of real number between -1.0 and 1.0
  std::random_device rd;
  std::mt19937 mt(rd());
  std:: uniform_real_distribution < double > dist(-1.0, 1.0);

  int m = 500;
  int k = 1000;
  int n = 2000;

  double *A = (double *)mkl_malloc(m * k * sizeof(double), 64);
  double *B = (double *)mkl_malloc(k * n * sizeof(double), 64);
  double *C = (double *)mkl_malloc(m * n * sizeof(double), 64);
  double * D = new double[m * n];

  for (int i = 0; i < (m * k); i++) {
    A[i] = dist(mt);
  }

  for (int i = 0; i < (k * n); i++) {
    B[i] = dist(mt);
  }

  for (int i = 0; i < (m * n); i++) {
    C[i] = 0.0;
  }

  double alpha = 1.0;
  double beta = 0.0;
  cblas_dgemm(CblasRowMajor,
              CblasNoTrans,
              CblasNoTrans,
              m,
              n,
              k,
              alpha,
              A,
              k,
              B,
              n,
              beta,
              C,
              n);

  // D_mn = A_mk B_kn
  for (int r = 0; r < m; r++) {
    for (int c = 0; c < n; c++) {
      D[r * n + c] = 0.0;
      for (int i = 0; i < k; i++) {
        D[r * n + c] += A[r * k + i] * B[i * n + c];
      }
    }
  }

  // compare the two matrices
  double r = 0.0;
  for (int i = 0; i < (m * n); i++) {
    r += std::pow(C[i] - D[i], 2.0);
  }
  assert (r < 1.0e-12 & & "ERROR: matrices C and D do not match");

  mkl_free(A);
  mkl_free(B);
  mkl_free(C);
  delete[] D;

  std:: cout << "MKL DGEMM example worked!" << std:: endl;

  return 0;`
}

我们还需要修改meta.yaml。然而，与上一个示例相比，唯一的变化是在依赖项中加入了mkl-devel：

package:
  name: conda-example-dgemm
  version: "0.0.0"

source:
  path: ../ # this can be changed to git-url

build:
  number: 0
  script:
  - cmake -H. -Bbuild_conda -G "${CMAKE_GENERATOR}"
  -DCMAKE_INSTALL_PREFIX=${PREFIX} # [not win]
  - cmake -H. -Bbuild_conda -G "%CMAKE_GENERATOR%"
  -DCMAKE_INSTALL_PREFIX="%LIBRARY_PREFIX%" # [win]
  - cmake - -build build_conda - -target install

requirements:
  build:
    - cmake >=3.5
    - {{ compiler('cxx') }}
  host:
    - mkl - devel 2018

about:
  home: http://www.example.com
  license: MIT
  summary: "Summary in here ..."

具体实施

  1. CMakeLists.txt文件声明了最低版本、项目名称和支持的语言：
cmake_minimum_required(VERSION 3.5 FATAL_ERROR)
project(recipe-05 LANGUAGES CXX)
set(CMAKE_CXX_STANDARD 11)
set(CMAKE_CXX_EXTENSIONS OFF)
set(CMAKE_CXX_STANDARD_REQUIRED ON)
  1. 使用example.cpp构建dgem-example可执行目标：
    add_executable(dgemm-example "")
target_sources(dgemm-example
PRIVATE
   example.cpp
)
  1. 然后，需要找到通过MKL-devel安装的MKL库。我们准备了一个名为IntelMKL的INTERFACE库，该库可以用于其他目标，并将为依赖的目标设置包括目录、编译器选项和链接库。根据Intel的建议(https://software.intel.com/en-us/articles/intel-mml-link-line-advisor/ )进行设置。首先，设置编译器选项： ```cmake add_library(IntelMKL INTERFACE)

target_compile_options(IntelMKL INTERFACE $<$,$>:-m64> )



4. 
接下来，查找`mkl.h`头文件，并为`IntelMKL`目标设置`include`目录：
```cmake
find_path(_mkl_h
  NAMES
      mkl.h
  HINTS
      ${CMAKE_INSTALL_PREFIX}/include
  )

target_include_directories(IntelMKL
  INTERFACE
      ${_mkl_h}
  )

message(STATUS "MKL header file FOUND: ${_mkl_h}")
  1. 最后，为IntelMKL目标设置链接库: ```cmake find_library(_mkl_libs NAMES mkl_rt HINTS ${CMAKE_INSTALL_PREFIX}/lib ) message(STATUS “MKL single dynamic library FOUND: ${_mkl_libs}”)

find_package(Threads QUIET) target_link_libraries(IntelMKL INTERFACE ${_mkl_libs} $<$,$>:Threads::Threads> $<$,$>:m> )



6. 
使用`cmake_print_properties`函数，打印`IntelMKL`目标的信息：
```cmake
include(CMakePrintHelpers)
cmake_print_properties(
  TARGETS
      IntelMKL
  PROPERTIES
    INTERFACE_COMPILE_OPTIONS
    INTERFACE_INCLUDE_DIRECTORIES
    INTERFACE_LINK_LIBRARIES
  )
  1. 将这些库连接到dgem-example:
    target_link_libraries(dgemm-example
PRIVATE
   IntelMKL
)
  1. CMakeLists.txt中定义了安装目标:
    install(
TARGETS
   dgemm-example
DESTINATION
   bin
)
  1. 尝试构建包：
    $ conda build conda-recipe
  1. 过程中屏幕上将看到大量输出，但是一旦构建完成，就可以对包进行安装包。首先，在本地进行安装测试：
    $ conda install --use-local conda-example-dgemm
  1. 现在测试安装，打开一个新的终端(假设Anaconda处于激活状态)，并输入： ```shell $ dgemm-example

MKL DGEMM example worked!



12. 
安装成功之后，再进行卸载：
```shell
$ conda remove conda-example-dgemm

工作原理

meta.yaml中的变化就是mml-devel依赖项。从CMake的角度来看，这里的挑战是定位Anaconda安装的MKL库。幸运的是，我们知道它位于${CMAKE_INSTALL_PREFIX}中。可以使用在线的Intel MKL link line advisor(https://software.intel.com/en-us/articles/intel-mml-link-line-advisor/) 查看如何根据选择的平台和编译器，将MKL链接到我们的项目中，我们会将此信息封装到INTERFACE库中。这个解决方案非常适合类MKL的情况：库不是由我们的项目或任何子项目创建的目标，但是它仍然需要以一种方式进行处理；也就是：设置编译器标志，包括目录和链接库。INTERFACE库是构建系统中的目标，但不创建任何构建输出(至少不会直接创建)。但由于它们是目标，我们可对它们的属性进行设置。这样与“实际”目标一样，可以安装、导出和导入。

首先，我们用INTERFACE属性声明一个名为IntelMKL的新库。然后，根据需要设置属性，并使用INTERFACE属性在目标上调用适当的CMake命令：

  • target_compile_options：用于设置INTERFACE_COMPILE_OPTIONS。示例中，设置了-m64，不过这个标志只有GNU和AppleClange编译器能够识别。并且，我们使用生成器表达式来实现。
  • target_include_directories：用于设置INTERFACE_INCLUDE_DIRECTORIES。使用find_path，可以在找到系统上的mkl.h头文件后设置这些参数。
  • target_link_libraries：用于设置INTERFACE_LINK_LIBRARIES。我们决定链接动态库libmkl_rt.so，并用find_library搜索它。GNU或AppleClang编译器还需要将可执行文件链接到线程和数学库。同样，这些情况可以使用生成器表达式优雅地进行处理。

在IntelMKL目标上设置的属性后，可以通过cmake_print_properties命令将属性进行打印。最后，链接到IntelMKL目标，这将设置编译器标志，包括目录和链接库：

target_link_libraries(dgemm-example
  PRIVATE
      IntelMKL
  )

更多信息

Anaconda云上包含大量包。使用上述方法，可以为CMake项目构建依赖于其他Conda包的Conda包。这样，就可以探索软件功能的各种可能性，并与他人分享您的软件包!