本文介绍了Python中利用GPU进行计算的几种方法，包括pycuda、numba和cupy，并对比了它们的使用方式和适用场景。文章指出，尽管这些库降低了GPU编程的门槛，但全面支持仍有限，建议根据任务需求选择joblib、dask或ray等并行计算框架。此外，对于机器学习和深度学习框架，如xgboost、tensorflow和pytorch，它们已原生支持GPU。最后，作者展望了未来期待更智能、全面的并行计算框架的出现。
问题
随着机器学习对模型运算速度的需求越来越强烈，
一直想进行GPU编程，但一直以来这些都是c++的专利
一想到c++里的各种坑，就提不起劲来，毕竟这样来来回回填坑的投入产出，生产效率就会大打折扣
解决方案
让人欣喜的是，随着Python阵营的不断发展壮大，使用python进行GPU编程也越来越便捷了
那么具体有些什么样的包，能针对GPU做些啥事呢？
看看一些具体的代码，就能大概明白：
首先是pycuda，这是它的一个例子：
mod = SourceModule("""
__global__ void multiply_them(float *dest, float *a, float *b)
{
const int i = threadIdx.x;
dest[i] = a[i] * b[i];
}
""")
由上面的代码我们可以看出，pycuda将调用gpu的c++代码做了包装，可以在python里直接使用
再看看numba：
@cuda.jit
def increment_by_one(an_array):
pos = cuda.grid(1)
if pos < an_array.size:
an_array[pos] += 1
我们可以发现，numba更进一步，直接使
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
