創(chuàng)新互聯(lián)www.cdcxhl.cn八線動態(tài)BGP香港云服務器提供商,新人活動買多久送多久,劃算不套路!
專注于為中小企業(yè)提供成都做網(wǎng)站、網(wǎng)站制作服務,電腦端+手機端+微信端的三站合一,更高效的管理,為中小企業(yè)古冶免費做網(wǎng)站提供優(yōu)質(zhì)的服務。我們立足成都,凝聚了一批互聯(lián)網(wǎng)行業(yè)人才,有力地推動了上1000+企業(yè)的穩(wěn)健成長,幫助中小企業(yè)通過網(wǎng)站建設實現(xiàn)規(guī)模擴充和轉(zhuǎn)變。這篇文章將為大家詳細講解有關將Numpy加速700倍的方法,小編覺得挺實用的,因此分享給大家做個參考,希望大家閱讀完這篇文章后可以有所收獲。
作為 Python 語言的一個擴展程序庫,Numpy 支持大量的維度數(shù)組與矩陣運算,為 Python 社區(qū)帶來了很多幫助。借助于 Numpy,數(shù)據(jù)科學家、機器學習實踐者和統(tǒng)計學家能夠以一種簡單高效的方式處理大量的矩陣數(shù)據(jù)。那么 Numpy 速度還能提升嗎?本文介紹了如何利用 CuPy 庫來加速 Numpy 運算速度。
就其自身來說,Numpy 的速度已經(jīng)較 Python 有了很大的提升。當你發(fā)現(xiàn) Python 代碼運行較慢,尤其出現(xiàn)大量的 for-loops 循環(huán)時,通??梢詫?shù)據(jù)處理移入 Numpy 并實現(xiàn)其向量化最高速度處理。
但有一點,上述 Numpy 加速只是在 CPU 上實現(xiàn)的。由于消費級 CPU 通常只有 8 個核心或更少,所以并行處理數(shù)量以及可以實現(xiàn)的加速是有限的。
這就催生了新的加速工具——CuPy 庫。
何為 CuPy?
CuPy 是一個借助 CUDA GPU 庫在英偉達 GPU 上實現(xiàn) Numpy 數(shù)組的庫?;?Numpy 數(shù)組的實現(xiàn),GPU 自身具有的多個 CUDA 核心可以促成更好的并行加速。
CuPy 接口是 Numpy 的一個鏡像,并且在大多情況下,它可以直接替換 Numpy 使用。只要用兼容的 CuPy 代碼替換 Numpy 代碼,用戶就可以實現(xiàn) GPU 加速。
CuPy 支持 Numpy 的大多數(shù)數(shù)組運算,包括索引、廣播、數(shù)組數(shù)學以及各種矩陣變換。
如果遇到一些不支持的特殊情況,用戶也可以編寫自定義 Python 代碼,這些代碼會利用到 CUDA 和 GPU 加速。整個過程只需要 C++格式的一小段代碼,然后 CuPy 就可以自動進行 GPU 轉(zhuǎn)換,這與使用 Cython 非常相似。
在開始使用 CuPy 之前,用戶可以通過 pip 安裝 CuPy 庫:
pip install cupy
使用 CuPy 在 GPU 上運行
為符合相應基準測試,PC 配置如下:
i7–8700k CPU 1080 Ti GPU 32 GB of DDR4 3000MHz RAM CUDA 9.0
CuPy 安裝之后,用戶可以像導入 Numpy 一樣導入 CuPy:
import numpy as np import cupy as cp import time
在接下來的編碼中,Numpy 和 CuPy 之間的切換就像用 CuPy 的 cp 替換 Numpy 的 np 一樣簡單。如下代碼為 Numpy 和 CuPy 創(chuàng)建了一個具有 10 億 1』s 的 3D 數(shù)組。為了測量創(chuàng)建數(shù)組的速度,用戶可以使用 Python 的原生 time 庫:
### Numpy and CPU s = time.time() *x_cpu = np.ones((1000,1000,1000))* e = time.time() print(e - s)### CuPy and GPU s = time.time() *x_gpu = cp.ones((1000,1000,1000))* e = time.time() print(e - s)
這很簡單!
令人難以置信的是,即使以上只是創(chuàng)建了一個數(shù)組,CuPy 的速度依然快得多。Numpy 創(chuàng)建一個具有 10 億 1』s 的數(shù)組用了 1.68 秒,而 CuPy 僅用了 0.16 秒,實現(xiàn)了 10.5 倍的加速。
但 CuPy 能做到的還不止于此。
比如在數(shù)組中做一些數(shù)學運算。這次將整個數(shù)組乘以 5,并再次檢查 Numpy 和 CuPy 的速度。
### Numpy and CPU s = time.time() *x_cpu *= 5* e = time.time() print(e - s)### CuPy and GPU s = time.time() *x_gpu *= 5* e = time.time() print(e - s)
果不其然,CuPy 再次勝過 Numpy。Numpy 用了 0.507 秒,而 CuPy 僅用了 0.000710 秒,速度整整提升了 714.1 倍。
現(xiàn)在嘗試使用更多數(shù)組并執(zhí)行以下三種運算:
數(shù)組乘以 5
數(shù)組本身相乘
數(shù)組添加到其自身
### Numpy and CPU s = time.time() *x_cpu *= 5 x_cpu *= x_cpu x_cpu += x_cpu* e = time.time() print(e - s)### CuPy and GPU s = time.time() *x_gpu *= 5 x_gpu *= x_gpu x_gpu += x_gpu* e = time.time() print(e - s)
數(shù)組大?。〝?shù)據(jù)點)達到 1000 萬,運算速度大幅度提升
使用 CuPy 能夠在 GPU 上實現(xiàn) Numpy 和矩陣運算的多倍加速。值得注意的是,用戶所能實現(xiàn)的加速高度依賴于自身正在處理的數(shù)組大小。下表顯示了不同數(shù)組大?。〝?shù)據(jù)點)的加速差異:
數(shù)據(jù)點一旦達到 1000 萬,速度將會猛然提升;超過 1 億,速度提升極為明顯。Numpy 在數(shù)據(jù)點低于 1000 萬時實際運行更快。此外,GPU 內(nèi)存越大,處理的數(shù)據(jù)也就更多。所以用戶應當注意,GPU 內(nèi)存是否足以應對 CuPy 所需要處理的數(shù)據(jù)。
關于將Numpy加速700倍的方法就分享到這里了,希望以上內(nèi)容可以對大家有一定的幫助,可以學到更多知識。如果覺得文章不錯,可以把它分享出去讓更多的人看到。
文章標題:將Numpy加速700倍的方法-創(chuàng)新互聯(lián)
文章網(wǎng)址:http://bm7419.com/article10/dgodgo.html
成都網(wǎng)站建設公司_創(chuàng)新互聯(lián),為您提供微信公眾號、靜態(tài)網(wǎng)站、微信小程序、品牌網(wǎng)站制作、手機網(wǎng)站建設、品牌網(wǎng)站設計
聲明:本網(wǎng)站發(fā)布的內(nèi)容(圖片、視頻和文字)以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主,如果涉及侵權請盡快告知,我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場,如需處理請聯(lián)系客服。電話:028-86922220;郵箱:631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載,或轉(zhuǎn)載時需注明來源: 創(chuàng)新互聯(lián)