本篇文章给大家分享的是有关python中如何使用GPU大幅提高效率，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。
cupy我觉得可以理解为cuda for numpy，安装方式pip install cupy，假设
import numpy as npimport cupy as cp那么对于np.XXX一般可以直接替代为cp.XXX。
其实numpy已经够快了，毕竟是C写的，每次运行的时候都会尽其所能地调用系统资源。为了验证这一点，我们可以用矩阵乘法来测试一下：在形式上通过多线程并发、多进程并行以及单线程的方式，来比较一下numpy的速度和对资源的调度情况，代码为
# th_pr_array.pyfrom threading import Threadfrom multiprocessing import Processfrom time import time as Nowimport numpy as npimport sysN = 3000def MatrixTest(n,name,t): x = np.random.rand(n,n) x = x@x print(f"{name} @ {t} : {Now()-t}")def thTest(): t = Now() for i in range(5): Thread(target=MatrixTest,args=[N,f'th{i}',t]).start()def prTest(): t = Now() for i in range(5): Process(target=MatrixTest,args=[N,f'pr{i}',t]).start()if __name__=="__main__": if sys.argv[1]=="th": thTest() elif sys.argv[1]=="pr": prTest() else: t = Now() for i in range(5): MatrixTest(N,"single",t)运行结果为
(base) E:\Documents\00\1108>python th_pr_numpy.py th
th0 @ 1636357422.3703225 : 15.23965334892273
th2 @ 1636357422.3703225 : 17.726242780685425
th3 @ 1636357422.3703225 : 19.001763582229614
th4 @ 1636357422.3703225 : 19.06676197052002
th5 @ 1636357422.3703225 : 19.086761951446533(base) E:\Documents\00\1108>python th_pr_numpy.py pr
pr3 @ 1636357462.4170427 : 4.031360864639282
pr0 @ 1636357462.4170427 : 4.55387806892395
pr1 @ 1636357462.4170427 : 4.590881824493408
pr4 @ 1636357462.4170427 : 4.674877643585205
pr2 @ 1636357462.4170427 : 4.702877759933472(base) E:\Documents\00\1108>python th_pr_numpy.py single
single @ 1636357567.8899782 : 0.36359524726867676
single @ 1636357567.8899782 : 0.8137514591217041
single @ 1636357567.8899782 : 1.237830400466919
single @ 1636357567.8899782 : 1.683635950088501
single @ 1636357567.8899782 : 2.098794937133789
所以说在numpy中就别用python内置的并行和并发了，反而会称为累赘。而且这么一比更会印证numpy的强大性能。
但在cupy面前，这个速度会显得十分苍白，下面连续5次创建5000x5000的随机矩阵并进行矩阵乘法，
#np_cp.pyimport numpy as npimport cupy as cpimport sysfrom time import time as NowN = 5000def testNp(t): for i in range(5): x = np.random.rand(N,N) x = x@x print(f"np:{Now()-t}")def testCp(t): for i in range(5): x = cp.random.rand(N,N) x = x@x print(f"cp:{Now()-t}")if __name__ == "__main__": t = Now() if sys.argv[1] == 'np': testNp(t) elif sys.argv[1]=='cp': testCp(t)最后的结果是
(base) E:\Documents\00\1108>python np_cp.py np
np:8.914457082748413(base) E:\Documents\00\1108>python np_cp.py cp
cp:0.545649528503418
而且非常霸道的是，当矩阵维度从5000x5000升到15000x15000后，cupy的计算时间并没有什么变化，充其量是线性增长，毕竟只要缓存吃得下，无论多么大的矩阵，乘法数也无非是按行或者按列增加而已。
以上就是python中如何使用GPU大幅提高效率，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注编程网行业资讯频道。
