python用cuda之后快到起飞

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 sysN = 3000def MatrixTest(n,name,t):x = np.random.rand(n,n)x = x@xprint(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)

运行结果非常戏剧性，用了多线程的，耗时19.09s；用了多进程的耗时4.7s；而啥也没用的，只用了2.1s。

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 NowN = 5000def testNp(t):for i in range(5):x = np.random.rand(N,N)x = x@xprint(f"np:{Now()-t}")def testCp(t):for i in range(5):x = cp.random.rand(N,N)x = x@xprint(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。

附：测试函数的输出结果

(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

python用cuda之后快到起飞相关推荐

C++、python、CUDA性能分析--矩阵乘法
网上看到一个分析python.Numpy.C++.cuda.cuBLAS做矩阵运算性能的帖子,我觉得非常好.所以,就自己动手实测了一下.这才有了这篇文章.就算是给需要的朋友做个参考吧. ******* ...
中文领域最详细的Python版CUDA入门教程
本系列为英伟达GPU入门介绍的第二篇,主要介绍CUDA编程的基本流程和核心概念,并使用Python Numba编写GPU并行程序.为了更好地理解GPU的硬件架构,建议读者先阅读我的第一篇文章. GPU ...
c+和python哪个快-python比c更快
广告关闭腾讯云11.11云上盛惠 ,精选热门产品助力上云,云服务器首年88元起,买的越多返的越多,最高返5000元! python的优点是代码可重用性高和开发速度快,但是时间和内存的使用不如c++. ...
宝塔面板网站一打开cpu百分百_BT宝塔面板打开这个功能网站快到起飞，降低宝塔面板内存和CPU使用率，降低运行负载...
最近一段时间网站经常出现链接数据库错误,当然原因很简单,卡着了.查看宝塔面板发现负载状态经常是100%,内存使用率也是100%,CPU也不用说了,所以在网上查找了一些关于降低宝塔面板服务器内存和CPU ...
python创建一个json_如何为Python选择一个更快的JSON库
使用JSON越多, 你就越有可能遇到JSON编码或解码瓶颈.Python的内置库也不错, 但是还有多个更快的JSON库可用: 如何选择使用哪一个呢? 事实是,没有一个正确的答案,没有一个最快的JSON ...
[Python+Anaconda] 查看Python、Anaconda下python、CUDA、函数库的版本
查看Python.Anaconda下Python.CUDA.函数库的版本前言第三方库(比如Pytorch)要依赖Python版本,CUDA版本,对于不同的版本组合,会有不同的安装命令. 这就要求我 ...
python移动图形工作站_让Python跑得更快
原标题:让Python跑得更快点击关注异步图书,置顶公众号每天与你分享 IT好书技术干货职场知识 Tips 参与文末话题讨论,即有机会获得异步图书一本. Python很容易学.你之所以阅读本 ...
python读csv最快方法_python读有汉字的csv如何让python变得更快？
Python和其他脚本语言通常会被摒弃,因为它们相对于一些类似于C语言的编译型的语言来说效率很低.比如下面的斐波纳契数的例子: C语言中:int fib(int n){ if (n < 2) r ...
Python爬虫-爬取快看漫画网图片并拼接成漫画长图
Python爬虫-爬取快看漫画网图片并拼接成漫画长图 1.爬取图片 2.拼接图片 1.爬取图片 import os import requests from bs4 import BeautifulS ...

python用cuda之后快到起飞

python用cuda之后快到起飞相关推荐

最新文章

热门文章