numpy是python中常用的一个矩阵运算库，而且numpy的底层都是采用c实现的，所以执行效率和速度也是很快的，但numpy是利用CPU来进行矩阵运算的，如果遇到大数据的矩阵运算，你会发现numpy真的很慢。 那有没有什么办法来加速呢？想到大矩阵的运算肯定会想多使用GPU来计算，就让我们来看看numpy的GPU版本cupy。
官方推荐安装环境是在linux操作系统下安装：
Ubuntu 16.04 / 18.04 LTS (64-bit)CentOS 7 (64-bit) 不确保能够在windows和Mac OS下正常运行在安装之前需要先确定cuda的版本，以安装对应的版本，否则在后面使用cupy的是会出现一些错误
#查看cuda的版本 nvcc -V #输出信息 #nvcc: NVIDIA (R) Cuda compiler driver #Copyright (c) 2005-2017 NVIDIA Corporation #Built on Fri_Sep__1_21:08:03_CDT_2017 #Cuda compilation tools, release 9.0, V9.0.176 #通过上面的信息，可以看出cuda的版本是9.0 #安装cuda为9.0版本的cupy pip install cupy-cuda90下面我们通过一些例子来对比一下numpy和cupy的执行效率，cupy的函数接口和numpy基本上都是一样的
矩阵点积我们定义一个函数来统计numpy和cupy的矩阵运算时间
import time import numpy as np import cupy as cp def test_dot_time(is_gpu,num,dim=1024,times=10): #用来统计每次计算消耗的时间 consum_time = [] #使用cupy来运算矩阵的点积 if is_gpu: matrix = cp #使用numpy来运算矩阵的点积 else: matrix = np #测试10次,取平均值 for i in range(times): start_time = time.time() #初始化一个num×dim的二维矩阵 a = matrix.random.normal(size=num*dim) a = a.reshape((num,dim)) #初始化一个dim×1的二维矩阵 b = matrix.random.normal(size=dim*1) #矩阵的点积 c = matrix.dot(a,b) end_time = time.time() consum_time.append(end_time-start_time) print("a time consume %.2f sec"%np.mean(consum_time))对比100000×1024矩阵和1024×1矩阵的点积运算的消耗时间，计算10次统计最终的平均时间
num = 100000 test_dot_time(True,num) #a time consume 0.18 sec test_dot_time(False,num) #a time consume 5.48 sec通过对比可以发现，cupy要比numpy节省30倍的时间消耗，这里只是展示了一种运算，如果你的矩阵运算越多，矩阵越大使用cupy运算节省的时间会更加明显。
那么是不是以后我们可以使用cupy来替代numpy了呢？这也不一定，我们来看看当num较小时的情况，当num为10的时候会怎么样呢？
num = 10 test_dot_time(True,num,times=10) # a time consume 0.20425036 sec test_dot_time(False,num,times=10) #a time consume 0.00120769 sec这时候居然numpy要比cupy更快？这是为什么呢？ 一方面是因为CPU到GPU这里有一个数据传输，而且CPU中还有一个cache可以用来计算，这个计算速度要比GPU快，不过这个大小有限大概几十M。这就是为什么小数据CPU要比GPU快的原因。
