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:documents 01108>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 01108>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 01108>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:documents 01108>python np_cp.py np
np:8.914457082748413(base) e:documents 01108>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)!
本文来自网络收集,不代表计算机技术网立场,如涉及侵权请联系管理员删除。
ctvol管理联系方式QQ:251552304
本文章地址:https://www.ctvol.com/pythontutorial/937166.html