Python 基于GPU的PyTorch/CuPy基本矩阵运算

我有一个numpy脚本，其中我使用大矩阵执行以下操作（可以使用

float

值遍历

10000x1000

）：

我第一次在CPU上使用Pytork张量（i7-8750H），它的运行速度快了2倍：

tensorQ = torch.from_numpy(Q)
tensorR = torch.from_numpy(R)
sub= torch.eye(a * d, dtype=float) - tensorQ
inv= torch.inverse(sub)
tensorF = torch.mm(inv, tensorR)
F = tensorF.numpy()

现在我尝试在GPU（1050Ti Max-Q）上执行它，看看是否可以获得另一个加速，但代码运行速度比numpy版本慢（我已经安装了CUDA和cuDNN）。也许Pytork它甚至不是做这类事情的最佳图书馆，但我现在正在学习它，我认为它可以帮助我：

dev = torch.device('cuda')

tensorQ = torch.from_numpy(Q).to(dev)
tensorR = torch.from_numpy(R).to(dev)
sub= torch.eye(a * d, dtype=float).to(dev) - tensorQ
inv= torch.inverse(sub).to(dev)
tensorF = torch.mm(inv, tensorR).cpu()
F = tensorF.numpy()

我错过什么了吗

编辑： 我也尝试过使用CuPy，但速度仍然很慢：

Q = cp.array(matrixQ)
R = cp.array(matrixR)
sub = cp.identity(attacker * defender) - matrixQ
inv = cp.linalg.inv(sub)
F = cp.matmul(inv, matrixR)
F = cp.asnumpy(matrixF)

---

与少数操作的计算相比，内存分配的开销可能太大。

您能否提供一个可复制的示例，包括生成代表性/示例数据？你是说我是如何创建矩阵的？我没有把它贴出来，因为它又长又复杂。我的回答实际上更一般，我是问我写的东西是否足以在GPU上运行。我还查看了windows任务管理器，GPU只有一些峰值，我不知道它是否以正确的方式运行。

Q = cp.array(matrixQ)
R = cp.array(matrixR)
sub = cp.identity(attacker * defender) - matrixQ
inv = cp.linalg.inv(sub)
F = cp.matmul(inv, matrixR)
F = cp.asnumpy(matrixF)