Beaucoup ne connaissent pas les libs de calculs. Elles sont nombreuses et ne sont pas forcément accessibles pour les débutants. Le but ici est de présenter une méthode pratique et empirique, pour que l'utilisateur lambda puisse tester différentes méthodes et choisir facilement celle qui sera le plus adaptée. Cette approche ne remplacera pas un expert mais pourra être utilisée en première intention.

• boost.timer
• faire des séries suffisamment longues
• faire plusieurs séries
• faire varier les paramètres (taille des données)
• génération des données de tests (données identiques, données triées, données aléatoires)

• BLAS : http://en.wikipedia.org/wiki/Basic_Linear_Algebra_Subprograms. plusieurs implémentation (boost, cuda)

• PETSc, ATLAS, BLAS, FLAME, LAPACK, ScaLAPACK, Trilinos, (P)ARPACK, etc.)

• GSL (GNU Scientific Library) :

• nt2
• boost.simd

• LAPACK (Linear Algebra PACKage) : http://en.wikipedia.org/wiki/LAPACK
• Blitz++ : http://en.wikipedia.org/wiki/Blitz%2B%2B
• Armadillo (C++ library)

• boost.math
• boost.uBlas : http://www.boost.org/doc/libs/1_48_0/libs/numeric/ublas/doc/index.htm

• CUDA SDK linear algebra : http://www.nvidia.com/content/cudazone/cuda_sdk/Linear_Algebra.html
• cuBlas : http://developer.nvidia.com/cublas
• MAGMA (Matrix Algebra on GPU and Multicore Architectures) : http://icl.cs.utk.edu/magma/
• cula tools (cuda linear algebra) : http://www.culatools.com/
• GPU-Accelerated Libraries : http://developer.nvidia.com/gpu-accelerated-libraries

• OpenCL Blas : http://sourceforge.net/projects/openclblas/
• calcul matriciel