1、GPU加速

利用多個GPU提升運(yùn)行效率

#利用多個GPU加速

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '2,1,0'

這是存在多個GPU的電腦上可以實現(xiàn)的，只要放在你編寫的代碼中即可。

其中，

os庫提供通用的，基本的操作系統(tǒng)交互功能，與操作系統(tǒng)相關(guān)的，包括常用路徑操作，進(jìn)程管理，環(huán)境參數(shù)等

所以這里需要import os庫來進(jìn)行加速

2、CPU加速

利用jit編譯加速 cpu。在使用這幾行代碼前，需要首先定義函數(shù)

2.1、定義函數(shù)

在Python中，常用def

def 函數(shù)名（參數(shù)列表）:

函數(shù)體

來定義函數(shù)，就像Python的內(nèi)置函數(shù)一樣，從而自己調(diào)用自己的函數(shù)實現(xiàn)你所需要的需求。

下面是一個小例子

def example(arg1,arg2):
    arg1=1
    arg=2
    print('你需要運(yùn)行的代碼') 

2.2、jit加速

很多情況下，為實現(xiàn)需求而進(jìn)行編程，都會轉(zhuǎn)換成數(shù)值，然后運(yùn)行計算，那么可以將你的代碼利用 def定義為函數(shù)，將參數(shù)和函數(shù)替換成你自己要運(yùn)行的代碼，不管你的計算有多復(fù)雜，筆者曾經(jīng)嘗試進(jìn)行非常復(fù)雜的多重數(shù)值積分，讓大家感受一下：

np.exp(cta_0+cta_1*np.log(x_1)+cta_2*np.log(x_2)+cta_3*np.log(x_3)+cta_4*np.log(x_4)+cta_5*np.log(x_5)+cta_6*np.log(x_6))/(1+np.exp(cta_0+cta_1*np.log(x_1)+cta_2*np.log(x_2)+cta_3*np.log(x_3)+cta_4*np.log(x_4)+cta_5*np.log(x_5)+cta_6*np.log(x_6))))*((1/(5620000*np.sqrt(2*3.1415926535898)))*np.exp(-(((x_2-36050000)/5620000)**2)/2))*((1/(0.01*np.sqrt(2*3.1415926535898)))*np.exp(-(((x_3-0.04)/0.01)**2)/2))*((1/(0.07419776239466247091*x_4*np.sqrt(2*3.1415926535898)))*np.exp(-((np.log(x_4)-19.9345857246606)**2)/(2*(0.07419776239466247091**2))))*((1/(0.2614264718127*x_5*np.sqrt(2*3.1415926535898)))*np.exp(-((np.log(x_5)+3.09177957735430)**2)/(2*(0.2614264718127**2))))*((1/(0.100526743073751*x_6*np.sqrt(2*3.1415926535898)))*np.exp(-((np.log(x_6)+3.67021574053313)**2)/(2*(0.100526743073751**2))))

一度因為運(yùn)行太慢，都算了5個小時了，告訴我因為運(yùn)行內(nèi)存不足而算不下去，但是加上@jit后就完全不一樣了，半個小時左右就算出了結(jié)果。

大家可以參照下面這個簡單的例子進(jìn)行加速：

#jit編譯
from numba import jit
@jit
def example(arg1,arg2):
    result=arg1+arg2
    print('你的代碼')
    return result

return的就是是你所需要的結(jié)果

2.3、運(yùn)行

這一步就是最后一步了，只要像下面一樣輸入上述函數(shù)名，賦予參數(shù)值，點(diǎn)擊運(yùn)行Run，就能得到你想要的結(jié)果

arg1=5
arg2=6
result=example(arg1，arg2)

本文轉(zhuǎn)載于佐佑思維

原文鏈接：https://blog.csdn.net/weixin_45288557/JAVA/article/details/105903858