Numpy 的速度已经较 Python 有了很大的提升。当你发现 Python 代码运行较慢，尤其出现大量的 for-loops 循环时，通常可以将数据处理移入 Numpy 并实现其向量化最高速度处理。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
但有一点，上述 Numpy 加速只是在 CPU 上实现的。由于消费级 CPU 通常只有 8 个核心或更少，所以并行处理数量以及可以实现的加速是有限的。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
这就催生了新的加速工具——CuPy 库。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
何为 CuPy？文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
CuPy 是一个借助 CUDA GPU 库在英伟达 GPU 上实现 Numpy 数组的库。基于 Numpy 数组的实现，GPU 自身具有的多个 CUDA 核心可以促成更好的并行加速。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
CuPy 接口是 Numpy 的一个镜像，并且在大多情况下，它可以直接替换 Numpy 使用。只要用兼容的 CuPy 代码替换 Numpy 代码，用户就可以实现 GPU 加速。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
CuPy 支持 Numpy 的大多数数组运算，包括索引、广播、数组数学以及各种矩阵变换。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
如果遇到一些不支持的特殊情况，用户也可以编写自定义 Python 代码，这些代码会利用到 CUDA 和 GPU 加速。整个过程只需要 C++格式的一小段代码，然后 CuPy 就可以自动进行 GPU 转换，这与使用 Cython 非常相似。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
在开始使用 CuPy 之前，用户可以通过 pip 安装 CuPy 库：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
pip install cupy
使用 CuPy 在 GPU 上运行文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
为符合相应基准测试，PC 配置如下：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
- i7–8700k CPU
- 1080 Ti GPU
- 32 GB of DDR4 3000MHz RAM
- CUDA 9.0
CuPy 安装之后，用户可以像导入 Numpy 一样导入 CuPy：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
import numpy as npimport cupy as cpimport time
在接下来的编码中，Numpy 和 CuPy 之间的切换就像用 CuPy 的 cp 替换 Numpy 的 np 一样简单。如下代码为 Numpy 和 CuPy 创建了一个具有 10 亿 1』s 的 3D 数组。为了测量创建数组的速度，用户可以使用 Python 的原生 time 库：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
### 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)
这很简单！文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
令人难以置信的是，即使以上只是创建了一个数组，CuPy 的速度依然快得多。Numpy 创建一个具有 10 亿 1』s 的数组用了 1.68 秒，而 CuPy 仅用了 0.16 秒，实现了 10.5 倍的加速。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
但 CuPy 能做到的还不止于此。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
比如在数组中做一些数学运算。这次将整个数组乘以 5，并再次检查 Numpy 和 CuPy 的速度。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
### 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 再次胜过 Numpy。Numpy 用了 0.507 秒，而 CuPy 仅用了 0.000710 秒，速度整整提升了 714.1 倍。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
现在尝试使用更多数组并执行以下三种运算：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
- 数组乘以 5
- 数组本身相乘
- 数组添加到其自身
### 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)
结果显示，Numpy 在 CPU 上执行整个运算过程用了 1.49 秒，而 CuPy 在 GPU 上仅用了 0.0922 秒，速度提升了 16.16 倍。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
数组大小（数据点）达到 1000 万，运算速度大幅度提升文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
使用 CuPy 能够在 GPU 上实现 Numpy 和矩阵运算的多倍加速。值得注意的是，用户所能实现的加速高度依赖于自身正在处理的数组大小。下表显示了不同数组大小（数据点）的加速差异：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html
数据点一旦达到 1000 万，速度将会猛然提升；超过 1 亿，速度提升极为明显。Numpy 在数据点低于 1000 万时实际运行更快。此外，GPU 内存越大，处理的数据也就更多。所以用户应当注意，GPU 内存是否足以应对 CuPy 所需要处理的数据。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/yunda/52593.html