欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

python 详解如何使用GPU大幅提高效率

程序员文章站 2022-03-10 14:17:31
cupy我觉得可以理解为cuda for numpy,安装方式pip install cupy,假设import numpy as npimport cupy as cp那么对于np.xxx一般可以直...

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\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5000x5000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\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,当矩阵维度从5000x5000升到15000x15000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。

python 详解如何使用GPU大幅提高效率

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其它相关文章!