如何將Numpy加速700倍？用 CuPy 呀

來源：機(jī)器之心

作為 Python 語言的一個(gè)擴(kuò)展程序庫，Numpy 支持大量的維度數(shù)組與矩陣運(yùn)算，為 Python 社區(qū)帶來了很多幫助。借助于 Numpy，數(shù)據(jù)科學(xué)家、機(jī)器學(xué)習(xí)實(shí)踐者和統(tǒng)計(jì)學(xué)家能夠以一種簡單高效的方式處理大量的矩陣數(shù)據(jù)。那么 Numpy 速度還能提升嗎？本文介紹了如何利用 CuPy 庫來加速 Numpy 運(yùn)算速度。

就其自身來說，Numpy 的速度已經(jīng)較 Python 有了很大的提升。當(dāng)你發(fā)現(xiàn) Python 代碼運(yùn)行較慢，尤其出現(xiàn)大量的 for-loops 循環(huán)時(shí)，通?？梢詫?shù)據(jù)處理移入 Numpy 并實(shí)現(xiàn)其向量化最高速度處理。

但有一點(diǎn)，上述 Numpy 加速只是在 CPU 上實(shí)現(xiàn)的。由于消費(fèi)級 CPU 通常只有 8 個(gè)核心或更少，所以并行處理數(shù)量以及可以實(shí)現(xiàn)的加速是有限的。

這就催生了新的加速工具——CuPy 庫。

何為 CuPy？

CuPy 是一個(gè)借助 CUDA GPU 庫在英偉達(dá) GPU 上實(shí)現(xiàn) Numpy 數(shù)組的庫?；?Numpy 數(shù)組的實(shí)現(xiàn)，GPU 自身具有的多個(gè) CUDA 核心可以促成更好的并行加速。

CuPy 接口是 Numpy 的一個(gè)鏡像，并且在大多情況下，它可以直接替換 Numpy 使用。只要用兼容的 CuPy 代碼替換 Numpy 代碼，用戶就可以實(shí)現(xiàn) GPU 加速。

CuPy 支持 Numpy 的大多數(shù)數(shù)組運(yùn)算，包括索引、廣播、數(shù)組數(shù)學(xué)以及各種矩陣變換。

如果遇到一些不支持的特殊情況，用戶也可以編寫自定義 Python 代碼，這些代碼會利用到 CUDA 和 GPU 加速。整個(gè)過程只需要 C++格式的一小段代碼，然后 CuPy 就可以自動進(jìn)行 GPU 轉(zhuǎn)換，這與使用 Cython 非常相似。

在開始使用 CuPy 之前，用戶可以通過 pip 安裝 CuPy 庫：

pip install cupy

使用 CuPy 在 GPU 上運(yùn)行

為符合相應(yīng)基準(zhǔn)測試，PC 配置如下：

• i7–8700k CPU

• 1080 Ti GPU

• 32 GB of DDR4 3000MHz RAM

• CUDA 9.0

CuPy 安裝之后，用戶可以像導(dǎo)入 Numpy 一樣導(dǎo)入 CuPy：

import numpy as np
import cupy as cp
import time

在接下來的編碼中，Numpy 和 CuPy 之間的切換就像用 CuPy 的 cp 替換 Numpy 的 np 一樣簡單。如下代碼為 Numpy 和 CuPy 創(chuàng)建了一個(gè)具有 10 億 1』s 的 3D 數(shù)組。為了測量創(chuàng)建數(shù)組的速度，用戶可以使用 Python 的原生 time 庫：

### Numpy and CPU
s = time.time()
*x_cpu = np.ones((1000,1000,1000))*
e = time.time()
print(e - s)### CuPy and GPU
s = time.time()
*x_gpu = cp.ones((1000,1000,1000))*
e = time.time()
print(e - s)

這很簡單！

令人難以置信的是，即使以上只是創(chuàng)建了一個(gè)數(shù)組，CuPy 的速度依然快得多。Numpy 創(chuàng)建一個(gè)具有 10 億 1』s 的數(shù)組用了 1.68 秒，而 CuPy 僅用了 0.16 秒，實(shí)現(xiàn)了 10.5 倍的加速。

但 CuPy 能做到的還不止于此。

比如在數(shù)組中做一些數(shù)學(xué)運(yùn)算。這次將整個(gè)數(shù)組乘以 5，并再次檢查 Numpy 和 CuPy 的速度。

### Numpy and CPU
s = time.time()
*x_cpu *= 5*
e = time.time()
print(e - s)### CuPy and GPU
s = time.time()
*x_gpu *= 5*
e = time.time()
print(e - s)

果不其然，CuPy 再次勝過 Numpy。Numpy 用了 0.507 秒，而 CuPy 僅用了 0.000710 秒，速度整整提升了 714.1 倍。

現(xiàn)在嘗試使用更多數(shù)組并執(zhí)行以下三種運(yùn)算：

1. 數(shù)組乘以 5

2. 數(shù)組本身相乘

3. 數(shù)組添加到其自身

### Numpy and CPU
s = time.time()
*x_cpu *= 5
x_cpu *= x_cpu
x_cpu += x_cpu*
e = time.time()
print(e - s)### CuPy and GPU
s = time.time()
*x_gpu *= 5
x_gpu *= x_gpu
x_gpu += x_gpu*
e = time.time()
print(e - s)

結(jié)果顯示，Numpy 在 CPU 上執(zhí)行整個(gè)運(yùn)算過程用了 1.49 秒，而 CuPy 在 GPU 上僅用了 0.0922 秒，速度提升了 16.16 倍。

數(shù)組大小（數(shù)據(jù)點(diǎn)）達(dá)到 1000 萬，運(yùn)算速度大幅度提升

使用 CuPy 能夠在 GPU 上實(shí)現(xiàn) Numpy 和矩陣運(yùn)算的多倍加速。值得注意的是，用戶所能實(shí)現(xiàn)的加速高度依賴于自身正在處理的數(shù)組大小。下表顯示了不同數(shù)組大?。〝?shù)據(jù)點(diǎn)）的加速差異：

數(shù)據(jù)點(diǎn)一旦達(dá)到 1000 萬，速度將會猛然提升；超過 1 億，速度提升極為明顯。Numpy 在數(shù)據(jù)點(diǎn)低于 1000 萬時(shí)實(shí)際運(yùn)行更快。此外，GPU 內(nèi)存越大，處理的數(shù)據(jù)也就更多。所以用戶應(yīng)當(dāng)注意，GPU 內(nèi)存是否足以應(yīng)對 CuPy 所需要處理的數(shù)據(jù)。

原文鏈接：https://towardsdatascience.com/heres-how-to-use-cupy-to-make-numpy-700x-faster-4b920dda1f56

- EOF -

  推薦閱讀：

• 裝X神器！NuShell
  

• IE 涼了？怎么可能！
  

• 不吹不擂，一文揭秘鴻蒙操作系統(tǒng)
  

我為大家整理了一份從入門到進(jìn)階的Python學(xué)習(xí)資料禮包，包含學(xué)習(xí)建議：入門看什么，進(jìn)階看什么。關(guān)注公眾號 「python之禪」，回復(fù) ebook 獲取；還可以回復(fù)「進(jìn)群」，和10w+ pythonista 交流學(xué)習(xí)。