内容简介：将 Python 翻译成 c/c++ 再编译执行。比原生 Python 快 1.5 倍左右。比原生 Python 快 10 倍左右。
Cython
将 Python 翻译成 c/c++ 再编译执行。
比原生 Python 快 1.5 倍左右。
Numpy
比原生 Python 快 10 倍左右。
numexpr
import numpy as np
import numexpr as ne
N = 10 ** 5
a = np.random.uniform(-1, 1, N)
b = np.random.uniform(-1, 1, N)
ne.evaluate('a ** 2 + b ** 2')
比 Numpy 快 2 到 10 倍。
多线程与多进程并发
concurrent.futures.ThreadPoolExecutor(cpu_count) # 或者 concurrent.futures.ProcessPoolExecutor(cpu_count)
CuPy
使用 CUDA 计算，直接将 numpy 替换成 cupy。
比原生 Python 快 250 倍左右。
多显卡
使用 cupy.cuda.Device(cuda_index) 切换显卡设备：
with cupy.cuda.Device(1):
x_on_gpu1 = cupy.array([1, 2, 3, 4, 5])
这里 x_on_gpu1 将在 GPU 1 上分配。
使用 Chainer 简化主存/显存切换
本小节内容摘自在Chainer中使用GPU，更多详细信息请参考原文。
Chainer将CuPy的默认分配器更改为内存池，因此用户可以直接使用CuPy的功能而不需要处理内存分配器。
Chainer提供了一些方便的功能来自动切换和选择设备。例如，chainer.cuda.to_gpu（）函数将numpy.ndarray对象复制到指定的设备：
x_cpu = np.ones((5, 4, 3), dtype=np.float32) x_gpu = cuda.to_gpu(x_cpu, device=1)
它相当于使用CuPy的以下代码：
x_cpu = np.ones((5, 4, 3), dtype=np.float32)
with cupy.cuda.Device(1):
x_gpu = cupy.array(x_cpu)
更多并发骚操作，参考 Python并行编程 。
Over
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
Data Structures and Algorithm Analysis in Java
Mark A. Weiss / Pearson / 2011-11-18 / GBP 129.99
Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course wa......一起来看看 《Data Structures and Algorithm Analysis in Java》 这本书的介绍吧!
