python 矩阵运算 gpu_使用向量化、矩阵化、cuda等不同方法加速python程序

使用向量化、矩阵化、cuda等不同方法加速python程序

第一次写知乎文章，本文中如有错误请不吝赐教，各位大大多多包涵。

本文是一次实验室组会的分享内容，对于机器视觉各类问题中经常需要处理大量计算任务的情况，以一个计算点云距离的例子来观察不同处理方法在python编程中对速度的影响。运行程序的电脑CPU型号：i9-9900X，GPU型号：RTX 2080 Ti ，python版本3.8.1 ，使用Jupyter lab编写。

问题描述：

在python中，使用普通方法、向量化、矩阵化、cuda等方法加速计算两组点云间各点的距离

# 初始化数据

import numpy as np

import time

n, m = 10000, 15000

a = np.random.random((n,3)) # 点云A中有n组点

b = np.random.random((m,3)) # 点云B中有m组点普通方法

通过嵌套的循环，计算所有点的距离，距离计算公式为：

# 普通计算距离

def cal_distance(a,b):

'''输入a是第一组点，b是第二组点 a=[x,y,z] b=[x,y,z]输出距离'''

d = np.sqrt(np.square(a[0] - b[0]) + np.square(a[1] - b[1]) + np.square(a[2] - b[2]))

return d

# 开始计算

t_1_start = time.time()

common_result = []

for j in range(m):

for i in range(n):

common_result.append(cal_distance(a[i],b[j]))

# 结束

t_1_end = time.time()

t_1 = t_1_end - t_1_start

print('普通计算时间:', t_1, 's')普通计算时间: 950.3101623058319 s

common_result = np.array(common_result).reshape(m,n).T # 元素按照dij表示点云A中第i个点到点云B中第j个点的距离值的格式排列向量化方法

将数据A以重复m次的方式扩展，数据B以复制的方式扩展，实现A中任一点对B中所有点的对应关系。即：