借助Python庫CuPy，發掘GPU的威力
譯文譯者 | 布加迪
審校 | 重樓
CuPy簡介
CuPy是一個Python庫，與NumPy和SciPy數組兼容，為GPU加速計算而設計。通過將NumPy換成CuPy語法，您可以在英偉達CUDA或AMD ROCm平臺上運行代碼。這讓您可以使用GPU加速執行與數組相關的任務，從而更快地處理更龐大的數組。
只需換掉幾行代碼，就可以利用GPU的大規模并行處理能力來顯著加快索引、規范化和矩陣乘法等數組操作。
CuPy還支持訪問低級CUDA功能。它允許使用RawKernels將ndarray傳遞給現有的CUDA C/ C++程序，借助Streams簡化性能，并允許直接調用CUDA Runtime API。
安裝CuPy
您可以使用pip安裝CuPy，但在此之前，您必須使用以下命令找到正確的CUDA版本。
!nvcc --version
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2022 NVIDIA Corporation
Built on Wed_Sep_21_10:33:58_PDT_2022
Cuda compilation tools, release 11.8, V11.8.89
Build cuda_11.8.r11.8/compiler.31833905_0谷歌Colab的當前版本似乎使用CUDA版本11.8。因此，我們將繼續安裝cupy-cuda11x版本。
如果您使用較舊的CUDA版本，我提供了下面的表格來幫助您確定要安裝的合適的CuPy軟件包。
選擇正確的版本后，我們將使用pip安裝Python軟件包。
pip install cupy-cuda11x如果您已安裝了Anaconda，還可以使用conda命令自動檢測并安裝CuPy軟件包的正確版本。
conda install -c conda-forge cupyCuPy基礎知識
在本節中，我們將比較CuPy和Numpy的語法，它們相似度為95%。您不是使用np，而是用cp代替它。
我們將先使用Python列表創建NumPy和CuPy數組。之后，我們將計算向量的范數。
import cupy as cp
import numpy as np
x = [3, 4, 5]
x_np = np.array(x)
x_cp = cp.array(x)
l2_np = np.linalg.norm(x_np)
l2_cp = cp.linalg.norm(x_cp)
print("Numpy: ", l2_np)
print("Cupy: ", l2_cp)正如我們所見，我們得到了類似的結果。
Numpy: 7.0710678118654755
Cupy: 7.0710678118654755
為了將NumPy轉換成CuPy數組，只需使用cp.asarray(X)。
x_array = np.array([10, 22, 30])
x_cp_array = cp.asarray(x_array)
type(x_cp_array)
cupy.ndarray或者，使用.get()，將CuPy轉換成Numpy數組。
x_np_array = x_cp_array.get()
type(x_np_array)
numpy.ndarray性能比較
在本節中，我們將比較NumPy和CuPy的性能。
我們將使用time.time()對代碼執行時間進行計時。然后，我們將創建一個3D NumPy數組，并執行一些數學函數。
import time
# NumPy and CPU Runtime
s = time.time()
x_cpu = np.ones((1000, 100, 1000))
np_result = np.sqrt(np.sum(x_cpu**2, axis=-1))
e = time.time()
np_time = e - s
print("Time consumed by NumPy: ", np_time)
Time consumed by NumPy: 0.5474584102630615類似地，我們將創建一個3D CuPy數組，執行數學運算，并進行計時以評測性能。
# CuPy and GPU Runtime
s = time.time()
x_gpu = cp.ones((1000, 100, 1000))
cp_result = cp.sqrt(cp.sum(x_gpu**2, axis=-1))
e = time.time()
cp_time = e - s
print("\nTime consumed by CuPy: ", cp_time)
Time consumed by CuPy: 0.001028299331665039為了計算差異，我們將NumPy時間除以CuPy時間，我們使用CuPy后獲得了500倍以上的性能提升。
diff = np_time/cp_time
print(f'\nCuPy is {diff: .2f} X time faster than NumPy')
CuPy is 532.39 X time faster than NumPy注意：為了達到更好的效果，建議進行一番預熱運行，以盡量減少時間波動。
除了速度優勢外，CuPy還提供了出色的多GPU支持，可以充分利用多個GPU的集體計算能力。
此外，如果您想比較結果，可以看看我的Colab筆記本。
結論
總之，CuPy提供了一種在英偉達GPU上加速NumPy代碼的簡單方法。只需做幾個修改，將NumPy替換成CuPy，就可以體驗到數組計算在速度上有數量級的提升。這種性能提升使您可以處理龐大得多的數據集和模型，從而實現更先進的機器學習和科學計算。
相關資源：
- 說明文檔：https://docs.cupy.dev/en/stable/index.html
- GitHub：https://github.com/cupy/cupy
- 示例：https://github.com/cupy/cupy/tree/main/examples
- API：https://docs.cupy.dev/en/stable/reference/
原文標題：Leveraging the Power of GPUs with CuPy in Python，作者：Abid Ali Awan
