1樓：
只要在你的函式上加個numba decorator，可以自動幫你把python裡的函式JIT編譯自動auto vectorization到GPU上面。
@vectorize
(['int64(int64, int64)'
],target
='cuda'
)def
add_ufunc_gpu(x
,y):returnx+
y然後直接跑x=
np.arange
(1000)y
=xz=
add_ufunc_gpu(x
,y)即可。只要你注意三個大前提：
parameter 和 return value的type寫對；
numba正確import進來，cuda正確安裝；
compiling target選擇「cuda」。
2樓：帶蘿蔔
題注說的普通的Python程式有多普通？
如果是常規的陣列運算的話，可以直接把python程式裡面的陣列替換成深度學習框架裡面的tensor就可以了，像這樣：
使用Pytorch實現Kmeans聚類 - 帶蘿蔔的文章 - 知乎 https://
zhuanlan /p/65331686
3樓：你您
簡單得把numpy換成cupy就能跑gpu了。前提是裝好cuda和cupy。直接調cuda的話還有pycuda。
不過感覺沒有cupy簡單。cupy的API和numpy的API基本上一一對應
4樓：
gpu只能處理簡單重複的工作。大量資料處理工作可以交給gpu，少量的資料其優點反而不及轉儲到gpu的損耗。
nvidia有cuda架構提供了直接操作gpu的可能性。可以看一下pycuda～
pytorch如何使用多塊gpu
東方碩 自己寫的多卡訓練框架，可多機多卡，供參考 artintel2017 torch multi gpu原答案 最近剛花幾天時間搞了下torch.distributed，寫了個demo測試一下，發現確實如官方文件所說，比DataParallel快，而且是快很多。4卡用DataParallel，2....
使用matlab裡的gpu計算8000階以上的矩陣乘法，gather時會報錯？
應該是由於計算時間過長。解釋可以看這裡 簡單說就是你的 GPU 需要負責渲染你的顯示和進行 CUDA 任務時，當 CUDA 任務執行超過乙個時限，為了不宕機所以會自動終斷計算。你可以考慮把操作分開來，比如分塊矩陣乘法，或者修改 TDR 引數。windows 的話，你可以通過下邊登錄檔鍵值控制 修改完...
蛋白質的MD模擬在超算上和GPU上跑，效率有多大差別呢？
破風 GPU作用是協同處理，CPU是主處理器，協調處理器和主處理器缺少一樣都會大大降低效能，打個比方，CPU就像大學生，可以同時算加減乘除，協處理器像是小學生，只能在同一時間進行單一操作，比只能算加或者乘。大學生 CPU 可以通過分配的方法，把乙個問題中涉及的大量加減乘除拆開分配給小學生 GPU或者...