在用PyTorch或者TensorFlow搭积木的时候,你是不是也遇到过下面这些情况:
- 自带的算子及其组合都无法满足你超(bian)常(tai)的计算需求。
- 自带的算子不可导,需要自己定义反向传播的梯度,例如argmax。
- 自带的算子太慢了,严重影响了你发paper的速度。
![v2-5cc64b0c41165b12008cad451d8c37f1_b.jpg](https://i-blog.csdnimg.cn/blog_migrate/f26ab61afd9c7d682f28d88bea26b174.png)
这时候你就会想,要是能自己实现一个速度又快、又能满足需求的算子就好了。
你想到了CUDA,自己写一个CUDA算子不就完事了嘛!
然后问题又来了,写是写完了,怎么用python代码调用它呢?
还有一个问题,这个算子它没梯度啊,自动求导机制不顶用了!
你去网上各种搜索,方法倒是全有,但是源码都好复杂,你一个新手怎么可能有心思看完那么复杂的教程?
![v2-85f2f0aaff022feac97f523c5c3cd6f3_b.jpg](https://i-blog.csdnimg.cn/blog_migrate/251c517e4d458d1241c72a9cb2414d09.png)
这时候,你突然看到了这篇文章,看完后你惊呼:“怎么会有这么简洁的示例代码,这就是我想要的!”
没错,这就是我熬了好几个通宵,查了无数bug后,写出来的一份示例代码。
话不多说,先上源码好吧:
Neural Network CUDA Example我给它命名为“Neural Network CUDA Example”,简称“NN CUDA Example”,意思就是神经网络调用CUDA的示例。
![v2-0a321972088ea1dfd167901001f381db_b.jpg](https://i-blog.csdnimg.cn/blog_migrate/07b86b4afbc3b478f4b33951441a0f93.jpeg)
那么这玩意到底有啥用呢?目前为止,它可以让你学到下面这些东西:
- 最简单的CUDA算子的写法。
- 最简洁的PyTorch和TensorFlow封装CUDA算子的方法。
- 几种编译CUDA算子的方法。
- python调用CUDA算子的几种方式。
- python中统计CUDA算子运行时间的正确方法。
- PyTorch和TensorFlow自定义算子梯度的方法。
![v2-cdaaf91f3f249310d5ace7211602d4d9_b.jpg](https://i-blog.csdnimg.cn/blog_migrate/b872bd5a1bce018f09c7e75ad7793f6a.png)
你直呼内行,要是早点能看到这篇文章,能多发好几篇论文啊。
看完代码,有些细节你还是懵逼了,这这这都是啥意思啊,为啥这么写啊?
这时候你又看到了几篇教程,哦原来都有讲解,那没事了。
godweiyang:PyTorch自定义CUDA算子教程与运行时间分析 godweiyang:详解PyTorch编译并调用自定义CUDA算子的三种方式 godweiyang:三分钟教你如何PyTorch自定义反向传播![v2-9d89b4beb191d946f68604e60d4dc447_b.jpg](https://i-blog.csdnimg.cn/blog_migrate/f2de1938090cecd7108bbbb1bf84c6f3.png)
从那以后,你代码能力飞速提升,一连发了好几篇顶会。
然后你顺手一键三连,把这篇文章转给了身边有需要的人,个个都夸你发现了宝藏。