如何在 AMD GPU 上运行 Python？

Posted 2023-03-16

【中文标题】如何在 AMD GPU 上运行 Python？

【英文标题】：How to run Python on AMD GPU?

【发布时间】：2019-10-06 18:48:54

【问题描述】：

我们目前正在尝试优化一个至少有 12 个变量的系统。这些变量的总组合超过 10 亿。这不是深度学习、机器学习或 Tensorflow 或其他任何东西，而是对时间序列数据的任意计算。

我们已经在 Python 中实现了我们的代码，并成功地在 CPU 上运行了它。我们还尝试了多处理，它也很有效，但我们需要更快的计算，因为计算需要数周时间。我们有一个由 6 个 AMD GPU 组成的 GPU 系统。我们想在这个 GPU 系统上运行我们的代码，但不知道该怎么做。

我的问题是：

我们可以在支持 AMD 的笔记本电脑上运行简单的 Python 代码吗？ 我们可以在我们的 GPU 系统上运行相同的应用程序吗？

我们了解到我们需要调整用于 GPU 计算的代码，但我们不知道该怎么做。

PS：如果您需要，我可以添加更多信息。我尽量让帖子保持简单以避免冲突。

【参考方案1】：

至少有两个选项可以加快使用 GPU 的计算速度：

PyOpenCL Numba

但我通常不建议从一开始就在 GPU 上运行代码。 GPU 上的计算并不总是更快。取决于它们的复杂程度以及您在 CPU 和 GPU 上的实现有多好。如果您按照下面的列表进行操作，您可以很好地了解会发生什么。

如果您的代码是纯 Python（列表、浮点数、for 循环等），您可以通过使用矢量化 Numpy 代码看到巨大的加速（可能高达 100 倍）。这也是了解如何实现 GPU 代码的重要步骤，因为矢量化 Numpy 中的计算将具有类似的方案。 GPU 在可以并行化的小任务上表现更好。

一旦你有一个优化良好的 Numpy 示例，你可以尝试使用 Numba 来初步了解 GPU 加速。对于简单的情况，您可以装饰您的 Numpy 函数以在 GPU 上运行。如果您的问题可以并行化/矢量化，那么与 Numpy 代码相比，您可以预期 100 到 500 倍的加速。

到目前为止，您可能没有为 GPU 编写任何 OpenCL C 代码，但您的代码仍然可以在其上运行。但是如果您的问题太复杂，您将不得不编写自定义代码并使用PyOpenCL 运行它。与好的 Numpy 代码相比，预期的加速也是 100 到 500。

需要记住的重要一点是，GPU 只有在正确使用且仅针对特定问题集的情况下才会强大。

如果您有代码的小示例，请随时发布。

另外要说的是，CUDA 通常比 OpenCL 更容易使用。有更多的库、更多的示例、更多的文档、更多的支持。 Nvidia 从一开始就没有很好地支持 OpenCL，这方面做得非常好。我通常更喜欢开放标准，但是当事情变得商业化和商业化时，我们很快就转向了 CUDA 和 Nvidia 硬件。

【讨论】：

在 AMD ROC GPU 上使用 Numba：numba.pydata.org/numba-doc/latest/roc/index.html