使用Python写CUDA程序的方法
使用Python写CUDA程序有两种方式：
*Numba
*PyCUDA
numbapro现在已经不推荐使用了，功能被拆分并分别被集成到accelerate和Numba了。
例子
numba
Numba通过及时编译机制（JIT）优化Python代码，Numba可以针对本机的硬件环境进行优化，同时支持CPU和GPU的优化，并且可以和Numpy集成，使Python代码可以在GPU上运行，只需在函数上方加上相关的指令标记，
如下所示：
importnumpyasnp
fromtimeitimportdefault_timerastimer
fromnumbaimportvectorize
@vectorize(["float32(float32,float32)"],target='cuda')
defvectorAdd(a,b):
returna+b
defmain():
N=320000000
A=np.ones(N,dtype=np.float32)
B=np.ones(N,dtype=np.float32)
C=np.zeros(N,dtype=np.float32)
start=timer()
C=vectorAdd(A,B)
vectorAdd_time=timer()-start
print("c[:5]="+str(C[:5]))
print("c[-5:]="+str(C[-5:]))
print("vectorAddtook%fseconds"%vectorAdd_time)
if__name__=='__main__':
main()
PyCUDA
PyCUDA的内核函数（kernel）其实就是使用C/C++编写的，通过动态编译为GPU微码，Python代码与GPU代码进行交互，如下所示：
importpycuda.autoinit
importpycuda.driverasdrv
importnumpyasnp
fromtimeitimportdefault_timerastimer
frompycuda.compilerimportSourceModule
mod=SourceModule("""
__global__voidfunc(float*a,float*b,size_tN)
{
constinti=blockIdx.x*blockDim.x+threadIdx.x;
if(i>=N)
{
return;
}
floattemp_a=a[i];
floattemp_b=b[i];
a[i]=(temp_a*10+2)*((temp_b+2)*10-5)*5;
//a[i]=a[i]+b[i];
}
""")
func=mod.get_function("func")
deftest(N):
#N=1024*1024*90#float:4M=1024*1024
print("N=%d"%N)
N=np.int32(N)
a=np.random.randn(N).astype(np.float32)
b=np.random.randn(N).astype(np.float32)
#copyatoaa
aa=np.empty_like(a)
aa[:]=a
#GPUrun
nTheads=256
nBlocks=int((N+nTheads-1)/nTheads)
start=timer()
func(
drv.InOut(a),drv.In(b),N,
block=(nTheads,1,1),grid=(nBlocks,1))
run_time=timer()-start
print("gpuruntime%fseconds"%run_time)
#cpurun
start=timer()
aa=(aa*10+2)*((b+2)*10-5)*5
run_time=timer()-start
print("cpuruntime%fseconds"%run_time)
#checkresult
r=a-aa
print(min(r),max(r))
defmain():
forninrange(1,10):
N=1024*1024*(n*10)
print("------------%d---------------"%n)
test(N)
if__name__=='__main__':
main()
对比
numba使用一些指令标记某些函数进行加速（也可以使用Python编写内核函数），这一点类似于OpenACC，而PyCUDA需要自己写kernel，在运行时进行编译，底层是基于C/C++实现的。通过测试，这两种方式的加速比基本差不多。但是，numba更像是一个黑盒，不知道内部到底做了什么，而PyCUDA就显得很直观。因此，这两种方式具有不同的应用：
*如果只是为了加速自己的算法而不关心CUDA编程，那么直接使用numba会更好。
*如果为了学习、研究CUDA编程或者实验某一个算法在CUDA下的可行性，那么使用PyCUDA。
*如果写的程序将来要移植到C/C++，那么就一定要使用PyCUDA了，因为使用PyCUDA写的kernel本身就是用CUDAC/C++写的。
以上这篇使用Python写CUDA程序的方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。