影音體驗是真的強 簡單聊聊iQOO Pad
大公司的好處就是產品線豐富，非常細分化的東西也能給你做出來，例如早先我們看到了新的vivo Pad2，之后我們又在iQOO Neo8 Pro的發布會上看到了iQOO的首款平板產品iQOO Pad。雖
譯者 | 布加迪
審校 | 重樓
CuPy是一個Python庫，與NumPy和SciPy數組兼容，為GPU加速計算而設計。通過將NumPy換成CuPy語法，您可以在英偉達CUDA或AMD ROCm平臺上運行代碼。這讓您可以使用GPU加速執行與數組相關的任務，從而更快地處理更龐大的數組。
只需換掉幾行代碼，就可以利用GPU的大規模并行處理能力來顯著加快索引、規范化和矩陣乘法等數組操作。
CuPy還支持訪問低級CUDA功能。它允許使用RawKernels將ndarray傳遞給現有的CUDA C/ C++程序，借助Streams簡化性能，并允許直接調用CUDA Runtime API。
您可以使用pip安裝CuPy，但在此之前，您必須使用以下命令找到正確的CUDA版本。
!nvcc --versionnvcc: NVIDIA (R) Cuda compiler driverCopyright (c) 2005-2022 NVIDIA CorporationBuilt on Wed_Sep_21_10:33:58_PDT_2022Cuda compilation tools, release 11.8, V11.8.89Build cuda_11.8.r11.8/compiler.31833905_0谷歌Colab的當前版本似乎使用CUDA版本11.8。因此，我們將繼續安裝cupy-cuda11x版本。
如果您使用較舊的CUDA版本，我提供了下面的表格來幫助您確定要安裝的合適的CuPy軟件包。
選擇正確的版本后，我們將使用pip安裝Python軟件包。
pip install cupy-cuda11x如果您已安裝了Anaconda，還可以使用conda命令自動檢測并安裝CuPy軟件包的正確版本。
conda install -c conda-forge cupy在本節中，我們將比較CuPy和Numpy的語法，它們相似度為95%。您不是使用np，而是用cp代替它。
我們將先使用Python列表創建NumPy和CuPy數組。之后，我們將計算向量的范數。
import cupy as cpimport numpy as npx = [3, 4, 5]x_np = np.array(x)x_cp = cp.array(x)l2_np = np.linalg.norm(x_np)l2_cp = cp.linalg.norm(x_cp)print("Numpy: ", l2_np)print("Cupy: ", l2_cp)正如我們所見，我們得到了類似的結果。
Numpy: 7.0710678118654755
Cupy: 7.0710678118654755
為了將NumPy轉換成CuPy數組，只需使用cp.asarray(X)。
x_array = np.array([10, 22, 30])x_cp_array = cp.asarray(x_array)type(x_cp_array)cupy.ndarray或者，使用.get()，將CuPy轉換成Numpy數組。
x_np_array = x_cp_array.get()type(x_np_array)numpy.ndarray在本節中，我們將比較NumPy和CuPy的性能。
我們將使用time.time()對代碼執行時間進行計時。然后，我們將創建一個3D NumPy數組，并執行一些數學函數。
import time# NumPy and CPU Runtimes = time.time()x_cpu = np.ones((1000, 100, 1000))np_result = np.sqrt(np.sum(x_cpu**2, axis=-1))e = time.time()np_time = e - sprint("Time consumed by NumPy: ", np_time)Time consumed by NumPy: 0.5474584102630615類似地，我們將創建一個3D CuPy數組，執行數學運算，并進行計時以評測性能。
# CuPy and GPU Runtimes = time.time()x_gpu = cp.ones((1000, 100, 1000))cp_result = cp.sqrt(cp.sum(x_gpu**2, axis=-1))e = time.time()cp_time = e - sprint("/nTime consumed by CuPy: ", cp_time)Time consumed by CuPy: 0.001028299331665039為了計算差異，我們將NumPy時間除以CuPy時間，我們使用CuPy后獲得了500倍以上的性能提升。
diff = np_time/cp_timeprint(f'/nCuPy is {diff: .2f} X time faster than NumPy')CuPy is 532.39 X time faster than NumPy注意：為了達到更好的效果，建議進行一番預熱運行，以盡量減少時間波動。
除了速度優勢外，CuPy還提供了出色的多GPU支持，可以充分利用多個GPU的集體計算能力。
此外，如果您想比較結果，可以看看我的Colab筆記本。
總之，CuPy提供了一種在英偉達GPU上加速NumPy代碼的簡單方法。只需做幾個修改，將NumPy替換成CuPy，就可以體驗到數組計算在速度上有數量級的提升。這種性能提升使您可以處理龐大得多的數據集和模型，從而實現更先進的機器學習和科學計算。
相關資源：
原文標題：Leveraging the Power of GPUs with CuPy in Python，作者：Abid Ali Awan
本文鏈接：http://www.tebozhan.com/showinfo-26-17375-0.html借助Python庫CuPy，發掘GPU的威力
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號