python|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 npimport 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.pyfrom threading import Threadfrom multiprocessing import Processfrom time import time as Nowimport numpy as npimport 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)
运行结果为
(base) E:\Documents\00\1108>python th_pr_numpy.py th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。
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
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.pyimport numpy as npimport cupy as cpimport sysfrom 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。
np:8.914457082748413
(base) E:\Documents\00\1108>python np_cp.py cp
cp:0.545649528503418
![python|python 详解如何使用GPU大幅提高效率](https://img.it610.com/image/info11/8cb22a173a754fedbbb7cfacd0eb1189.jpg)
文章图片
【python|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脚本之家其它相关文章!
推荐阅读
- 考研英语阅读终极解决方案——阅读理解如何巧拿高分
- 如何寻找情感问答App的分析切入点
- mybatisplus如何在xml的连表查询中使用queryWrapper
- MybatisPlus使用queryWrapper如何实现复杂查询
- python学习之|python学习之 实现QQ自动发送消息
- 逻辑回归的理解与python示例
- Java|Java OpenCV图像处理之SIFT角点检测详解
- C语言浮点函数中的modf和fmod详解
- python自定义封装带颜色的logging模块
- 【Leetcode/Python】001-Two|【Leetcode/Python】001-Two Sum