cupy我覺得可以理解為cuda for numpy，安裝方式pip install cupy，假設(shè)

import numpy as np
import cupy as cp

那么對于np.XXX一般可以直接替代為cp.XXX。

其實(shí)numpy已經(jīng)夠快了，畢竟是C寫的，每次運(yùn)行的時(shí)候都會(huì)盡其所能地調(diào)用系統(tǒng)資源。為了驗(yàn)證這一點(diǎn)，我們可以用矩陣乘法來測試一下：在形式上通過多線程并發(fā)、多進(jìn)程并行以及單線程的方式，來比較一下numpy的速度和對資源的調(diào)度情況，代碼為

# th_pr_array.py
from threading import Thread
from multiprocessing import Process
from time import time as Now
import numpy as np
import sys
N = 3000
def MatrixTest(n,name,t):
 x = np.random.rand(n,n)
 x = x@x
 print(f"{name} @ {t} : {Now()-t}")
def thTest():
 t = Now()
 for i in range(5):
  Thread(target=MatrixTest,args=[N,f'th{i}',t]).start()
def prTest():
 t = Now()
 for i in range(5):
  Process(target=MatrixTest,args=[N,f'pr{i}',t]).start()
if __name__=="__main__":
 if sys.argv[1]=="th":
  thTest()
 elif sys.argv[1]=="pr":
  prTest()
 else:
  t = Now()
  for i in range(5):
MatrixTest(N,"single",t)

運(yùn)行結(jié)果為

(base) E:\Documents\00\1108>python th_pr_numpy.py th
th0 @ 1636357422.3703225 : 15.23965334892273
th1 @ 1636357422.3703225 : 17.726242780685425
th2 @ 1636357422.3703225 : 19.001763582229614
th3 @ 1636357422.3703225 : 19.06676197052002
th4 @ 1636357422.3703225 : 19.086761951446533

(base) E:\Documents\00\1108>python th_pr_numpy.py pr
pr3 @ 1636357462.4170427 : 4.031360864639282
pr0 @ 1636357462.4170427 : 4.55387806892395
pr1 @ 1636357462.4170427 : 4.590881824493408
pr4 @ 1636357462.4170427 : 4.674877643585205
pr2 @ 1636357462.4170427 : 4.702877759933472

(base) E:\Documents\00\1108>python th_pr_numpy.py single
single @ 1636357567.8899782 : 0.36359524726867676
single @ 1636357567.8899782 : 0.8137514591217041
single @ 1636357567.8899782 : 1.237830400466919
single @ 1636357567.8899782 : 1.683635950088501
single @ 1636357567.8899782 : 2.098794937133789

所以說在numpy中就別用python內(nèi)置的并行和并發(fā)了，反而會(huì)稱為累贅。而且這么一比更會(huì)印證numpy的強(qiáng)大性能。

但在cupy面前，這個(gè)速度會(huì)顯得十分蒼白，下面連續(xù)5次創(chuàng)建5000x5000的隨機(jī)矩陣并進(jìn)行矩陣乘法，

#np_cp.py
import numpy as np
import cupy as cp
import sys
from time import time as Now
N = 5000
def testNp(t):
 for i in range(5):
  x = np.random.rand(N,N)
  x = x@x
 print(f"np:{Now()-t}")
def testCp(t):
 for i in range(5):
  x = cp.random.rand(N,N)
  x = x@x
 print(f"cp:{Now()-t}")

if __name__ == "__main__":
 t = Now()
 if sys.argv[1] == 'np':
  testNp(t)
 elif sys.argv[1]=='cp':
  testCp(t)

最后的結(jié)果是

(base) E:\Documents\00\1108>python np_cp.py np
np:8.914457082748413

(base) E:\Documents\00\1108>python np_cp.py cp
cp:0.545649528503418

而且非常霸道的是，當(dāng)矩陣維度從5000x5000升到15000x15000后，cupy的計(jì)算時(shí)間并沒有什么變化，充其量是線性增長，畢竟只要緩存吃得下，無論多么大的矩陣，乘法數(shù)也無非是按行或者按列增加而已。

以上就是python 詳解如何使用GPU大幅提高效率的詳細(xì)內(nèi)容，更多關(guān)于Python GPU提高效率的資料請關(guān)注本站其它相關(guān)文章！

版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非maisonbaluchon.cn所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。