用cupy增加内环距离函数答案

【问题标题】：Increasing inner loop distance function with cupy用cupy增加内环距离函数
【发布时间】：2018-05-14 14:58:45
【问题描述】：

我试图在迭代内部循环数组时提高给定距离函数的计算速度 - c(x, y)。我试图使用带有随机值的 cupy 和基准测试。到目前为止，我有以下代码：

import time
import contextlib
import cupy as cp
import numpy as np

squared_diff = cp.ElementwiseKernel(
    'float64 x, float64 y',
    'float64 z',
    'z = (x - y) * (x - y)',
    'squared_diff')

 x, y = np.random.randn(1000), np.random.randn(1000)
 x_gpu, y_gpu = cp.random.randn(1000), cp.random.randn(1000)

 c = np.zeros((len(x), len(y)))
 c_gpu = cp.zeros((len(x), len(y)))


 @contextlib.contextmanager
 def timer(message):
     cp.cuda.Stream.null.synchronize()
     start = time.time()
     yield
     cp.cuda.Stream.null.synchronize()
     end = time.time()
     print('%s:  %f sec' % (message, end - start))


with timer(' CPU '):
     for i in range(len(x)):
        for j in range(len(y)):
            c[i, j] = (x[i] - y[i]) ** 2

with timer(' GPU '):
     for i in range(len(x)):
         for j in range(len(y)):
            c_gpu[i, j] = squared_diff(x_gpu[i], y_gpu[j])

但是，与 CPU 相比，GPU 时间似乎要长得多。

CPU :  0.486763 sec
GPU :  26.627597 sec

在考虑使用 CUDA 提高计算速度背后的理论时，我是否遗漏了任何重要的提示或问题？

【问题讨论】：

如果我正确阅读了该代码（在 60 秒前我用谷歌搜索它之前我什至不知道 Cupy 是什么），你不是用单个元素有效地调用了该元素内核 1000000 次在每次通话中？如果是这样，那绝对不是使用 GPU 的明智之举
@talonmies：感谢您的回复。我正在寻找解决方案，我想我可以同意你的看法。似乎这是主要的开销。您有什么建议可以在这种情况下提高性能吗？看起来这个操作应该是并行的，因为所有的“单元”都是相互独立的。
我也刚刚注意到你的 GPU 和 CPU 版本也不做同样的操作
@talonmies：你能详细说明一下吗？操作看起来和我很相似。
相当相似不一样。仔细看主机代码

标签： python loops cuda gpu cupy

【解决方案1】：

您需要广播输入数组以进行元素计算。

def bcast(x, y, xp):
    return (xp.broadcast_to(x[:, None], (1000, 1000)),
            xp.broadcast_to(y, (1000, 1000)))

x, y = bcast(x, y, np)
with timer(' CPU '):
    c = (x - y) ** 2

x_gpu, y_gpu = bcast(x_gpu, y_gpu, cp)
with timer(' GPU '):
    c_gpu2 = squared_diff(x_gpu, y_gpu)

【讨论】：