1、GPU加速

利用多个GPU提升运行效率

#利用多个GPU加速

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

这是存在多个GPU的电脑上可以实现的，只要放在你编写的代码中即可。

其中，

os库提供通用的，基本的操作系统交互功能，与操作系统相关的，包括常用路径操作，进程管理，环境参数等

所以这里需要import os库来进行加速

2、CPU加速

利用jit编译加速 cpu。在使用这几行代码前，需要首先定义函数

2.1、定义函数

在Python中，常用def

def 函数名（参数列表）:

函数体

来定义函数，就像Python的内置函数一样，从而自己调用自己的函数实现你所需要的需求。

下面是一个小例子

def example(arg1,arg2):
    arg1=1
    arg=2
    print('你需要运行的代码') 

2.2、jit加速

很多情况下，为实现需求而进行编程，都会转换成数值，然后运行计算，那么可以将你的代码利用 def定义为函数，将参数和函数替换成你自己要运行的代码，不管你的计算有多复杂，笔者曾经尝试进行非常复杂的多重数值积分，让大家感受一下：

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))))

一度因为运行太慢，都算了5个小时了，告诉我因为运行内存不足而算不下去，但是加上@jit后就完全不一样了，半个小时左右就算出了结果。

大家可以参照下面这个简单的例子进行加速：

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

return的就是是你所需要的结果

2.3、运行

这一步就是最后一步了，只要像下面一样输入上述函数名，赋予参数值，点击运行Run，就能得到你想要的结果

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

本文转载于佐佑思维

原文链接：https://blog.csdn.net/weixin_45288557/JAVA/article/details/105903858