遍历数组时，Cupy 比 numpy 慢

Question

我有代码，我想与 cupy 并行化。我认为这将是直截了当的 - 只需编写“import cupy as cp”，然后将我写的 np., 替换为 cp.，就可以了。

而且，它确实有效，代码确实可以运行，但速度要慢得多。与 numpy 相比，我认为在遍历更大的数组时它最终会更快，但似乎从未发生过。

代码是:

q = np.zeros((5,5))
q[:,0] = 20

def foo(array):

    result = array
    shedding_row = array*0
    for i in range((array.shape[0])):
        for j in range((array.shape[1])-1):

            shedding_param = 2 * (result[i,j])**.5             
            shedding = (np.random.poisson( (shedding_param), 1))[0]

            if shedding >= result[i,j]:
                shedding = result[i,j] - 1

            result[i,j+1] = result[i,j] - shedding

            if result[i,j+1]<0:
                result[i,j+1] = 0

            shedding_row[i,j+1] = shedding  

    return(result,shedding_row)

x,y = foo(q)

使用 cupy 会更快吗？我用错了吗？

Answer 1

要获得 numpy 或 cupy 的快速性能，您应该使用并行操作而不是使用 for 循环。

举个例子，

for i in range((array.shape[0])):
    for j in range((array.shape[1])-1):

        shedding_param = 2 * (result[i,j])**.5

这可以计算为

xp = numpy  # change to cupy for GPU
shedding_param = 2 * xp.sqrt(result[:, :-1])