Python CuPy

原文:https://www.geeksforgeeks.org/python-cupy/

NumPy 无疑是任何 pythonic 代码处理numpy.ndarray (n 维矩阵数组)形式的大量数据最兼容的库。然而，一旦我们将处理的数据量增加到相当大的程度，多核 CPU 就无法按照要求高效地处理数据，因为 Numpy 仅运行在并行处理能力有限的 CPU(消费者端大多有 4-8 个内核)上。

这是一个新的不错的 python 库出现的地方**CuPy**。CuPy 是一个兼容 GPU 的 NumPy 库。

库皮

CuPy 是用 NVIDIA CUDA 加速的开源矩阵库。它还使用 cuBLAS、cuDNN、cuRand、cuSolver、cuSPARSE、cuFFT 和 NCCL 等 CUDA 相关库来充分利用 GPU 架构。

它是一个兼容 NumPy 的多维数组在 CUDA 上的实现。CuPy 由cupy.ndarray组成，核心多维数组类，上面有很多函数。它支持numpy.ndarray 接口的子集。并且还可以通过 GPU 和 CUDA 库加速现有的 NumPy 代码。

硬件和软件设置

  • 点
  • Python 3
  • Python（可选）
  • CUDA X.0(取决于硬件)
  • CPU:2 个英特尔至强 E5–2698v 4 @ 2.20 GHz
  • 主内存:1 TB
  • GPU: NVIDIA Tesla V100 32 GB
  • OS–windows/Linux

安装 在你的设备上下载兼容版本的 CUDA 设置并安装。要安装它，请打开终端并输入

pip install cupy-cuda(version)

其中版本将是您设备上安装的 CUDA 版本。例如- (对于 CUDA 10.0)

pip install cupy-cuda100

如果你的设备不支持 CUDA，那么你可以在 Anaconda 安装 CuPy，并将其用于基于 CPU 的计算。或者，Anaconda 也可以很好地使用 CUDA。

将其安装在Python身上–

  1. Open the Anaconda prompt and enter

    py conda install -c anaconda cupy

    或者

  2. 使用 Anaconda 导航器(GUI)直接安装 cupy 库。

杯状排列基础

  1. 导入–在下面的代码中，cp 是 cupy 的缩写，因为 np 是 numpy，这是惯例。

    ```py import numpy as np import cupy as cp

    ```

  2. Just like Numpy, CuPy also have a ndarray class cupy.ndarray which is compatible GPU alternative of numpy.ndarray.

    ```py x_gpu = cp.array([1, 2, 3])

    ```

    上例中的x_gpu是cupy.ndarray的一个实例。你可以看到它的创作与 numpy 的一模一样，只是 NumPy 被 cupy 取代了。

示例–以欧几里德范数(也称为 L2 范数)为例。

import cupy as cp
import numpy as np

x_cpu = np.array([1, 2, 3])
x_gpu = cp.array([1, 2, 3])

l2_cpu = np.linalg.norm(x_cpu)
l2_gpu = cp.linalg.norm(x_gpu)

print("Using Numpy: ", l2_cpu)
print("\nUsing Cupy: ", l2_gpu)

Using Numpy: 3.7416573867739413

Using Cupy: array(3.74165739)

努比 vs 丘比

CuPy 是一个兼容 GPU 的 NumPy 库。与 numpy 相比，它更高效，因为使用 NVIDIA GPUs 的阵列操作可以比 CPU 计算提供相当大的加速。

注- 这里使用的配置是 CPU 为英特尔 i7-7700 HQ，GPU 为 Geforce GTX 1050 4GB 使用 CUDA 9.0。

# Python program to 
# demonstrate speed comparison
# between cupy and numpy

# Importing modules
import cupy as cp
import numpy as np
import time

# NumPy and CPU Runtime
s = time.time()
x_cpu = np.ones((1000, 1000, 100))
e = time.time()
print("Time consumed by numpy: ", e - s)

# CuPy and GPU Runtime
s = time.time()
x_gpu = cp.ones((1000, 1000, 100))
e = time.time()
print("\nTime consumed by cupy: "e - s)

Time consumed by numpy: 0.4238910675048828
Time consumed by cupy: 0.0010099411010742188

在这里，我们可以看到 CuPy 可以比 NumPy 工作得更快。

CuPy 在 cupy.ndarray 对象上实现了许多功能。支持的 NumPy API 子集见参考。理解 NumPy 可能有助于利用 CuPy 的大部分功能。因此，建议您阅读 NumPy 文档。

参考资料-https://cupy.chainer.org/

版权属于：月萌API www.moonapi.com，转载请注明出处

本文链接：https://moonapi.com/news/5348.html