详细内容或原文请订阅后点击阅览
用numba和cuda
80倍更快的Python？发现一行如何将您的代码变成GPU野兽！
来源:KDnuggetsGPU非常适合您需要跨不同数据进行相同操作的任务。这被称为单个指令，多个数据（SIMD）方法。与CPU（只有几个强大的核心）不同，GPU具有数千个可以一次运行这些重复操作的较小较小的核心。您会在机器学习中经常看到这种模式，例如，在添加或乘以大量向量时，因为每个计算都是独立的。这是使用GPU与并行性加速任务的理想情况。
单个指令，多个数据（SIMD）nvidia创建了CUDA，是开发人员编写在GPU而不是CPU上运行的程序的方式。它基于C，可让您编写称为内核的特殊功能，该功能可以同时运行许多操作。问题在于，在C或C ++中编写CUDA并不是对初学者的友好型。您必须处理手动内存分配，线程协调并了解GPU在低级别的工作方式。这可能是压倒性的，尤其是如果您习惯在Python中编写代码。
cuda这是Numba可以为您提供帮助的地方。它允许使用LLVM（低级虚拟机）编译器基础架构编写Python的CUDA内核，以将Python代码直接编译为CUDA兼容的内核。通过及时的（JIT）汇编，您可以用装饰器注释您的功能，Numba为您处理所有其他功能。
numba 它允许使用LLVM（低级虚拟机）编译器基础架构编写Python的CUDA内核，以将您的Python代码直接编译为兼容CUDA兼容的内核。在本文中，我们将使用一个常见的向量添加示例，然后将简单的CPU代码转换为带有Numba的CUDA内核。向量添加是平行性的理想例子，因为单个索引之间的添加与其他指数无关。这是完美的SIMD场景，因此可以同时添加所有索引以在一个操作中完成矢量添加。
colab的