大蟒蛇python教程共享python 详解如何使用GPU大幅提高效率

cupy我觉得可以理解为cuda for numpy，安装方式pip install cupy，假设

  import numpy as np  import cupy as cp  

那么对于np.xxx一般可以直接替代为cp.xxx。

其实numpy已经够快了，毕竟是c写的，每次运行的时候都会尽其所能地调用系统资源。为了验证这一点，我们可以用矩阵乘法来测试一下：在形式上通过多线程并发、多进程并行以及单线程的方式，来比较一下numpy的速度和对资源的调度情况，代码为

  # 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)    

运行结果为

(base) e:documents01108>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:documents01108>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:documents01108>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

所以说在numpy中就别用python内置的并行和并发了，反而会称为累赘。而且这么一比更会印证numpy的强大性能。

但在cupy面前，这个速度会显得十分苍白，下面连续5次创建5000×5000的随机矩阵并进行矩阵乘法，

  #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)  

最后的结果是

(base) e:documents01108>python np_cp.py np
np:8.914457082748413

(base) e:documents01108>python np_cp.py cp
cp:0.545649528503418

而且非常霸道的是，当矩阵维度从5000×5000升到15000×15000后，cupy的计算时间并没有什么变化，充其量是线性增长，毕竟只要缓存吃得下，无论多么大的矩阵，乘法数也无非是按行或者按列增加而已。

以上就是python 详解如何使用gpu大幅提高效率的详细内容，更多关于python gpu提高效率的资料请关注<计算机技术网(www.ctvol.com)!!>其它相关文章！

需要了解更多python教程分享python 详解如何使用GPU大幅提高效率，都可以关注python教程分享栏目—计算机技术网(www.ctvol.com)!