Python 如何在GPU上计算成对距离矩阵

我的代码中的瓶颈是我计算a的区域。因为这是迄今为止最慢的部分，所以我花了很多时间来加速我的代码

我在网上发现了许多使用文章的加速效果，但效果却微乎其微。因此，我正在寻找一种方法，使用我的GPU创建距离矩阵，以进一步加快速度。然而，我对使用GPU进行计算知之甚少有人能帮我吗？

在我的研究中，我发现了以下几点，但没有一个使用GPU：

是有用的，但加速是最小的

提供了关于如何使用cython和numba的信息 以下是如何计算成对距离矩阵的示例片段：

import numpy as np
from scipy import spatial

rows = 1000
cols = 10
mat = np.random.randn(rows, cols)
d_mat = spatial.distance.cdist(mat, mat)

---

我的图形卡是Nvidia Quadro M2000M

我可以使用：

import numpy as np
from numba import cuda

USE_64 = True

if USE_64:
    bits = 64
    np_type = np.float64
else:
    bits = 32
    np_type = np.float32

@cuda.jit("void(float{}[:, :], float{}[:, :])".format(bits, bits))
def distance_matrix(mat, out):
    m = mat.shape[0]
    n = mat.shape[1]
    i, j = cuda.grid(2)
    d = 0
    if i < m and j < m:
        for k in range(n):
            tmp = mat[i, k] - mat[j, k]
            d += tmp * tmp
        out[i, j] = d

def gpu_dist_matrix(mat):
    rows = mat.shape[0]

    block_dim = (16, 16)
    grid_dim = (int(rows/block_dim[0] + 1), int(rows/block_dim[1] + 1))

    stream = cuda.stream()
    mat2 = cuda.to_device(np.asarray(mat, dtype=np_type), stream=stream)
    out2 = cuda.device_array((rows, rows))
    distance_matrix[grid_dim, block_dim](mat2, out2)
    out = out2.copy_to_host(stream=stream)

    return out

将numpy导入为np
来自numba import cuda
使用_64=True
如果使用_64：
位=64
np_类型=np.64
其他：
位=32
np_类型=np.32
@jit（“void（float{}[：，：]，float{}[：，：]）”。格式（位，位））
def距离矩阵（mat，out）：
m=材料形状[0]
n=材料形状[1]
i、 j=cuda.grid（2）
d=0
如果i

我正在处理与您相同的问题-在过去几个月里，您有没有可能在这里分享任何突破？是的，我能够使用

numba

库中的

cuda

来编写此代码，并且我得到了显著的加速。。。给我24小时，我就可以找到我的代码并将其作为答案发布在这里。@PaulTerwilliger你还打算发布答案吗？在我努力为一个项目进行一些持久的同源性计算并运行之前，我也在寻找同样的东西