如何开始使用 Neanderthal 并获取文档与社区支持

Neanderthal 是 Clojure 的矩阵与线性代数库，主打原生 CPU 和 GPU 加速。开始使用它的路径很直接：从官网的 Get Started 入口进入，配合完整 API 文档和教程学习，用基准测试页面评估性能，再通过 Slack 的 Clojurians、邮件列表和 Twitter 跟进动态。源码在 GitHub，项目新闻发布在 dragan.rocks。下面按“上手—学习—评估—求助”的顺序说明每个入口能拿到什么。

上手入口：Get Started

官网首页提供 “Get Started!” 链接，是进入使用流程的起点。同一区域还有 “Check the benchmarks” 和 “Learn to use it.” 两个入口，分别对应性能评估和学习资料。

使用前需要了解的环境前提，官网给出了明确范围：

• 语言：Clojure，库本身用 Clojure 实现，接口按函数式风格设计。
• CPU 路径：基于原生 BLAS 和 LAPACK 做数值计算，外层是轻量的 Clojure 封装。
• GPU 路径：支持 AMD、Nvidia、Intel 硬件；最新动态中提到 GPU 引擎也支持 Mac OSX。
• 引擎可替换：引擎实现是可插拔的，官网明确说即使纯 Java 引擎也可以接入，用于不追求速度的场景。

也就是说，你需要一个可运行的 Clojure 环境，并按目标平台准备对应的原生 BLAS/LAPACK 或 GPU 驱动。具体依赖坐标和初始化代码，以 Get Started 页面和 API 文档为准，官网摘要未列出。

学习资料：API 文档、教程与书籍

官网称提供 “fully documented API” 和 “a bunch of tutorials”，这是系统学习的主要来源。建议顺序：

1. 先读教程，建立矩阵创建、基本运算、map/reduce 的使用习惯。
2. 再查 API 文档确认函数签名和参数。
3. 遇到分解、求解类需求时，查 LAPACK 相关部分——官网最新动态写明 “LAPACK support available: factorizations and solvers”。

官网还提到两本可通过订阅获取的新书（“New book available for subscription”）。这里只说明存在订阅形式，价格和获取条件官网未给出，需要自行到对应页面确认。

一个实用的学习思路：官网强调 Neanderthal 尊重 BLAS 和 LAPACK 数十年的标准化，现有教材、文章和教程中关于数值线性代数的代码与理论大多以 BLAS/LAPACK 为中心，可以直接迁移过来使用。例如需要实现一个矩阵分解练习时，可以先找 LAPACK 体系的讲解，再把调用换成 Neanderthal 的 Clojure 接口。

性能评估：基准测试怎么看

官网给出的性能说法有两个具体数字：

这些是官网自述的宣传性数据，判断是否适合自己时应以 “Check the benchmarks” 页面的具体测试条件为准：矩阵规模、硬件型号、对比库版本都会影响结论。官网同时说明支持 AMD、Nvidia、Intel 硬件，选型时先确认自己的 GPU 品牌在支持列表内。

社区与动态：去哪里提问和跟进

官网列出的渠道如下：

• Slack：Clojurians 工作区的 Uncomplicate 群组，作者本人常驻。
• 邮件列表：dragan.rocks mailing list，可订阅项目新闻。
• Twitter：@Uncomplicateorg 和 @draganrocks。
• 源码：GitHub 上的项目仓库，页面有 “Source on Github” 链接。
• 项目站点：dragan.rocks 发布更详细的文章和更新。

资助方面，官网提供 Patreon 赞助方式，赞助者可获得专属 Discord 讨论服务器邀请；官网也写明负担不起捐赠的人可以申请免费邀请。这属于支持项目和维护者的可选途径，不影响库的基本使用。

常见卡点

• 把宣传数字当基准：3000 倍和 100 倍是特定条件下的对比，先看基准页再决定是否值得引入 GPU 依赖。
• 忽略引擎选择：不追求速度时可以换用更简单的引擎实现，不必一上来就配置 GPU。
• 找错文档体系：Neanderthal 的接口是薄封装，遇到不熟悉的运算优先查 BLAS/LAPACK 的通用资料，再回到 API 文档找对应函数。
• 订阅信息不明：书籍为订阅制，具体条款官网摘要未说明，需到页面核实后再决定。