性交免费网站,久久久久久久久久久国产,欧美成人久久,亚州成人,欧洲三级片视频,大尺度一区,免费在线观看AⅤ,亚洲仺aa在线

“
作為 Python 語言的一個擴展程序庫，Numpy 支持大量的維度數(shù)組與矩陣運算，為 Python 社區(qū)帶來了很多幫助。借助于 Numpy，數(shù)據(jù)科學家、機器學習實踐者和統(tǒng)計學家能夠以一種簡單高效的方式處理大量的矩陣數(shù)據(jù)。那么 Numpy 速度還能提升嗎？本文介紹了如何利用 CuPy 庫來加速 Numpy 運算速度。

就其自身來說，Numpy 的速度已經(jīng)較 Python 有了很大的提升。當你發(fā)現(xiàn) Python 代碼運行較慢，尤其出現(xiàn)大量的 for-loops 循環(huán)時，通常可以將數(shù)據(jù)處理移入 Numpy 并實現(xiàn)其向量化最高速度處理。

但有一點，上述 Numpy 加速只是在 CPU 上實現(xiàn)的。由于消費級 CPU 通常只有 8 個核心或更少，所以并行處理數(shù)量以及可以實現(xiàn)的加速是有限的。

這就催生了新的加速工具——CuPy 庫。

何為 CuPy？

CuPy 是一個借助 CUDA GPU 庫在英偉達 GPU 上實現(xiàn) Numpy 數(shù)組的庫?；?Numpy 數(shù)組的實現(xiàn)，GPU 自身具有的多個 CUDA 核心可以促成更好的并行加速。

CuPy 接口是 Numpy 的一個鏡像，并且在大多情況下，它可以直接替換 Numpy 使用。只要用兼容的 CuPy 代碼替換 Numpy 代碼，用戶就可以實現(xiàn) GPU 加速。

CuPy 支持 Numpy 的大多數(shù)數(shù)組運算，包括索引、廣播、數(shù)組數(shù)學以及各種矩陣變換。

如果遇到一些不支持的特殊情況，用戶也可以編寫自定義 Python 代碼，這些代碼會利用到 CUDA 和 GPU 加速。整個過程只需要 C++格式的一小段代碼，然后 CuPy 就可以自動進行 GPU 轉(zhuǎn)換，這與使用 Cython 非常相似。

在開始使用 CuPy 之前，用戶可以通過 pip 安裝 CuPy 庫：

pip install cupy

使用 CuPy 在 GPU 上運行

為符合相應(yīng)基準測試，PC 配置如下：

i7–8700k CPU
1080 Ti GPU
32 GB of DDR4 3000MHz RAM
CUDA 9.0

CuPy 安裝之后，用戶可以像導入 Numpy 一樣導入 CuPy：

import numpy as np
import cupy as cp
import time

在接下來的編碼中，Numpy 和 CuPy 之間的切換就像用 CuPy 的 cp 替換 Numpy 的 np 一樣簡單。如下代碼為 Numpy 和 CuPy 創(chuàng)建了一個具有 10 億 1』s 的 3D 數(shù)組。為了測量創(chuàng)建數(shù)組的速度，用戶可以使用 Python 的原生 time 庫：

### Numpy and CPU
s = time.time()
*x_cpu = np.ones((1000,1000,1000))*
e = time.time()
print(e - s)### CuPy and GPU
s = time.time()
*x_gpu = cp.ones((1000,1000,1000))*
e = time.time()
print(e - s)

這很簡單！

令人難以置信的是，即使以上只是創(chuàng)建了一個數(shù)組，CuPy 的速度依然快得多。Numpy 創(chuàng)建一個具有 10 億 1』s 的數(shù)組用了 1.68 秒，而 CuPy 僅用了 0.16 秒，實現(xiàn)了 10.5 倍的加速。

但 CuPy 能做到的還不止于此。

比如在數(shù)組中做一些數(shù)學運算。這次將整個數(shù)組乘以 5，并再次檢查 Numpy 和 CuPy 的速度。

### Numpy and CPU
s = time.time()
*x_cpu *= 5*
e = time.time()
print(e - s)### CuPy and GPU
s = time.time()
*x_gpu *= 5*
e = time.time()
print(e - s)

果不其然，CuPy 再次勝過 Numpy。Numpy 用了 0.507 秒，而 CuPy 僅用了 0.000710 秒，速度整整提升了 714.1 倍。

現(xiàn)在嘗試使用更多數(shù)組并執(zhí)行以下三種運算：

數(shù)組乘以 5
數(shù)組本身相乘
數(shù)組添加到其自身

### Numpy and CPU
s = time.time()
*x_cpu *= 5
x_cpu *= x_cpu
x_cpu += x_cpu*
e = time.time()
print(e - s)### CuPy and GPU
s = time.time()
*x_gpu *= 5
x_gpu *= x_gpu
x_gpu += x_gpu*
e = time.time()
print(e - s)

結(jié)果顯示，Numpy 在 CPU 上執(zhí)行整個運算過程用了 1.49 秒，而 CuPy 在 GPU 上僅用了 0.0922 秒，速度提升了 16.16 倍。

數(shù)組大?。〝?shù)據(jù)點）達到 1000 萬，運算速度大幅度提升

使用 CuPy 能夠在 GPU 上實現(xiàn) Numpy 和矩陣運算的多倍加速。值得注意的是，用戶所能實現(xiàn)的加速高度依賴于自身正在處理的數(shù)組大小。下表顯示了不同數(shù)組大?。〝?shù)據(jù)點）的加速差異：

數(shù)據(jù)點一旦達到 1000 萬，速度將會猛然提升；超過 1 億，速度提升極為明顯。Numpy 在數(shù)據(jù)點低于 1000 萬時實際運行更快。此外，GPU 內(nèi)存越大，處理的數(shù)據(jù)也就更多。所以用戶應(yīng)當注意，GPU 內(nèi)存是否足以應(yīng)對 CuPy 所需要處理的數(shù)據(jù)。

文章轉(zhuǎn)載：Python編程學習圈
（版權(quán)歸原作者所有，侵刪）

點擊下方“閱讀原文”查看更多

用 CuPy 將Numpy加速700倍？