GPU加速通过大量的计算并行化来工作.在GPU上你有大量的内核,每个内核都不是很强大,但是核心数量巨大.
像PyTorch这样的框架可以使它们尽可能地并行计算.通常,矩阵运算非常适合并行化,但仍然不可能并行计算!
在您的示例中,您有一个循环:
b = torch.ones(4,4).cuda()
for _ in range(1000000):
b += b
您有1000000个操作,但由于代码的结构,无法并行化大部分这些计算.如果你考虑一下,要计算下一个b,你需要知道前一个(或当前)b的值.
所以你有1000000个操作,但每个操作必须一个接一个地计算.可能的并行化仅限于张量的大小.在您的示例中,此大小不是很大:
torch.ones(4,4)
因此,每次迭代只能并行化16次操作(添加).
由于CPU具有很少但功能更强大的内核,因此对于给定的示例来说速度要快得多!
但是如果改变张量的大小,事情会发生变化,那么PyTorch能够并行化更多的整体计算.我将迭代更改为1000(因为我不想等待这么久:),但你可以放入任何你喜欢的值,CPU和GPU之间的关系应该保持不变.
以下是不同张量大小的结果:
#torch.ones(4,4) - the size you used
CPU time = 0.00926661491394043
GPU time = 0.0431208610534668
#torch.ones(40,40) - CPU gets slower, but still faster than GPU
CPU time = 0.014729976654052734
GPU time = 0.04474186897277832
#torch.ones(400,400) - CPU now much slower than GPU
CPU time = 0.9702610969543457
GPU time = 0.04415607452392578
#torch.ones(4000,4000) - GPU much faster then CPU
CPU time = 38.088677167892456
GPU time = 0.044649362564086914
正如您所看到的,可以并行处理内容(这里添加了张量元素),GPU变得非常强大.对于给定的计算,GPU时间根本没有变化,GPU可以处理更多! (只要它没有耗尽内存:)