怎么使用Python3+pycuda實現執行簡單GPU計算任務

今天小編給大家分享一下怎么使用Python3+pycuda實現執行簡單GPU計算任務的相關知識點，內容詳細，邏輯清晰，相信大部分人都還太了解這方面的知識，所以分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后有所收獲，下面我們一起來了解一下吧。

技術背景

GPU的加速技術在深度學習、量子計算領域都已經被廣泛的應用。其適用的計算模型是小內存的密集型計算場景，如果計算的模型內存較大，則需要使用到共享內存，這會直接導致巨大的數據交互的運算量，通信開銷較大。因為pycuda的出現，也使得我們可以直接在python內直接使用GPU函數，當然也可以直接在python代碼中集成一些C++的代碼，用于構建GPU計算的函數。

pycuda環境配置

pycuda的安裝環境很大程度上取決約顯卡驅動本身是否能夠安裝成功，除了安裝pycuda庫本身之外，重點是需要確保如下的指令可以運行成功：

[dechin@dechin-manjaro pycuda]$ nvidia-smi
Sun Mar 21 20:26:43 2021       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 455.45.01    Driver Version: 455.45.01    CUDA Version: 11.1     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  GeForce MX250       Off  | 00000000:3C:00.0 Off |                  N/A |
| N/A   48C    P0    N/A /  N/A |      0MiB /  2002MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
|  No running processes found                                                 |
+-----------------------------------------------------------------------------+

上述返回的結果是一個沒有GPU任務情況下的展示界面，包含有顯卡型號、顯卡內存等信息。如果存在執行的任務，則顯示結果如下案例所示：

[dechin@dechin-manjaro pycuda]$ nvidia-smi
Sun Mar 21 20:56:04 2021       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 455.45.01    Driver Version: 455.45.01    CUDA Version: 11.1     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  GeForce MX250       Off  | 00000000:3C:00.0 Off |                  N/A |
| N/A   47C    P0    N/A /  N/A |     31MiB /  2002MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
|    0   N/A  N/A     18427      C   python3                            29MiB |
+-----------------------------------------------------------------------------+

我們發現這里多了一個pid為18427的python的進程正在使用GPU進行計算。在運算過程中，如果任務未能夠執行成功，有可能在內存中遺留一個進程，這需要我們自己手動去釋放。最簡單粗暴的方法就是：直接使用kill -9 pid來殺死殘留的進程。我們可以使用pycuda自帶的函數接口，也可以自己寫C++代碼來實現GPU計算的相關功能，當然一般情況下更加推薦使用pycuda自帶的函數。以下為一部分已經實現的接口函數，比如gpuarray的函數：

再比如cumath的函數：

使用GPU計算向量指數

對于一個向量的指數而言，其實就是將每一個的向量元素取指數。當然，這與前面一篇關于量子門操作的博客中介紹的矩陣指數略有區別，這點要注意區分。

在下面的示例中，我們對比了numpy中實現的指數運算和pycuda中實現的指數運算。

# array_exp.py
 
import pycuda.autoinit
import pycuda.gpuarray as ga
import pycuda.cumath as gm
import numpy as np
import sys
 
if sys.argv[1] == '-l':
    length = int(sys.argv[2]) # 從命令行獲取參數值
 
np.random.seed(1)
array = np.random.randn(length).astype(np.float32)
array_gpu = ga.to_gpu(array)
 
exp_array = np.exp(array)
print (exp_array)
exp_array_gpu = gm.exp(array_gpu)
gpu_exp_array = exp_array_gpu.get()
print (gpu_exp_array)

這里面我們計算一個隨機向量的指數，向量的維度length是從命令行獲取的一個參數，上述代碼的執行方式和執行結果如下所示：

[dechin@dechin-manjaro pycuda]$ python3 array_exp.py -l 5
[5.0750957  0.5423974  0.58968204 0.34199178 2.3759744 ]
[5.075096   0.5423974  0.58968204 0.34199178 2.3759747 ]

我們先確保兩者計算出來的結果是一致的，這里我們可以觀察到，兩個計算的結果只保障了7位的有效數字是相等的，這一點在大部分的場景下精度都是有保障的。接下來我們使用timeit來統計和對比兩者的性能：

# array_exp.py
 
import pycuda.autoinit
import pycuda.gpuarray as ga
import pycuda.cumath as gm
import numpy as np
import sys
import timeit
 
if sys.argv[1] == '-l':
    length = int(sys.argv[2])
 
np.random.seed(1)
array = np.random.randn(length).astype(np.float32)
array_gpu = ga.to_gpu(array)
 
def npexp():
    exp_array = np.exp(array)
 
def gmexp():
    exp_array_gpu = gm.exp(array_gpu)
    # gpu_exp_array = exp_array_gpu.get()
 
if __name__ == '__main__':
    n = 1000
    t1 = timeit.timeit('npexp()', setup='from __main__ import npexp', number=n)
    print (t1)
    t2 = timeit.timeit('gmexp()', setup='from __main__ import gmexp', number=n)
    print (t2)

這里也順便介紹一下timeit的使用方法：這個函數的輸入分別是：函數名、函數的導入方式、函數的重復次數。這里需要特別說明的是，如果在函數的導入方式中，不使用__main__函數進行導入，即使是本文件下的python函數，也是無法被導入成功的。在輸入的向量達到一定的規模大小時，我們發現在執行時間上相比于numpy有非常大的優勢。當然還有一點需要注意的是，由于我們測試的是計算速度，原本使用了get()函數將GPU中計算的結果進行導出，但是這部分其實不應該包含在計算的時間內，因此后來又注釋掉了。具體的測試數據如下所示：

[dechin@dechin-manjaro pycuda]$ python3 array_exp.py -l 10000000
26.13127974300005
3.469969915000547

以上就是“怎么使用Python3+pycuda實現執行簡單GPU計算任務”這篇文章的所有內容，感謝各位的閱讀！相信大家閱讀完這篇文章都有很大的收獲，小編每天都會為大家更新不同的知識，如果還想學習更多的知識，請關注億速云行業資訊頻道。