pycuda核函数编写

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第19天，点击查看活动详情

首先，虽然python有pycuda可以使用来进行GPU的加速，但是内核函数是C写的，哈哈，是不是很惊喜。之前说过了pycuda跟numpy差不多，对于矩阵运算那是手到擒来，但是想一下，如果。。。使用C写核函数？？那岂不是很复杂！！不然就别加速了吧！！我开始也是这么想的。然后我拿了一个例子了解一下，没有想象的那么难，本博客从简单到复杂，慢慢的说一下核函数，以及如何编写核函数。

在python中，有两个函数可以用于函数式的编写，一个是map，另一个就是reduce了，他们可以根据所提供的函数来完成相应的操作。上来肯定不能直接拿reduce和map说，就先用最简单的lambda表达式吧。

import numpy as np

add_pow = lambda x: x ** 2 + x

print(add_pow(1))
print(add_pow(2))
print(add_pow(3))

代码的结果如下：

下面，开始拿map说事，map函数有两个输入，第一个是一个函数，第二个是一个给定的函数可以处理的对象列表，只是说很难理解，直接上一串代码进行理解。

import numpy as np

add_pow = lambda x: x ** 2 + x
res = map(add_pow, [1, 2, 4, 6])
print(list(res))

map是这个样子，reduce也是类似的操作，但是是有不同的，reduce接收列表之后会执行递归式的二元运算，然后输出一个单例。

下面开始写简单的核函数了

import numpy as np
import pycuda.autoinit
from pycuda import gpuarray
from pycuda.scan import InclusiveScanKernel

res2 = np.array(np.random.randint(1, 5, 4), dtype=np.int32)
gpu_res2 = gpuarray.to_gpu(res2)
mult = InclusiveScanKernel(np.int32, "a*b")
print(mult(gpu_res2).get())
print(np.cumprod(res2))

是不是足够简单，一个字符串就解决了！

然后，再逐渐扩展一点！既然是C语言，那么C语言中常用的比较大小的式子，放在这里能不能行呢？可以尝试一下，如果不行大不了报个错呗。

import numpy as np
import pycuda.autoinit
from pycuda import gpuarray
from pycuda.scan import InclusiveScanKernel

res2 = np.array(np.random.randint(1, 5, 4), dtype=np.int32)
gpu_res2 = gpuarray.to_gpu(res2)
mult = InclusiveScanKernel(np.int32, "a>b? a:b")
print("source:", res2)
print(mult(gpu_res2).get())

居然还真的可以，感觉像是打开了新世界的大门呐，哥们！都是科技与狠活呐！说难吗？也不难，说简单？！肯定不可能那么简单的，这个就是对核函数进行入门，更复杂的操作可以自己进行探索。