什么是NumPy？選擇NUMPY的原因及其工作原理是什么

NumPy 是一個(gè)免費(fèi)的開源 Python 庫(kù)，用于 n 維數(shù)組（也稱為張量）處理和數(shù)值計(jì)算。

什么是 NUMPY？

NumPy 是一個(gè)免費(fèi)的 Python 編程語(yǔ)言開源庫(kù)，它功能強(qiáng)大、已經(jīng)過(guò)充分優(yōu)化，并增加了對(duì)大型多維數(shù)組（也稱為矩陣或張量）的支持。NumPy 還提供了一系列高級(jí)數(shù)學(xué)函數(shù)，可與這些數(shù)組結(jié)合使用。其中包括基本的線性代數(shù)、隨機(jī)模擬、傅立葉變換、三角運(yùn)算和統(tǒng)計(jì)運(yùn)算。

NumPy 代表 “numerical Python”，基于早期的 Numeric 和 Numarray 庫(kù)構(gòu)建而成，旨在為 Python 提供快速的數(shù)字計(jì)算。如今，NumPy 貢獻(xiàn)者眾多，并得到了 NumFOCUS 的贊助。

作為科學(xué)計(jì)算的核心庫(kù)，NumPy 是 Pandas、Scikit-learn和SciPy等庫(kù)的基礎(chǔ)。它廣泛應(yīng)用于在大型數(shù)組上執(zhí)行優(yōu)化的數(shù)學(xué)運(yùn)算。

選擇 NUMPY 的原因及其工作原理

多維數(shù)組是 NumPy 庫(kù)的中心數(shù)據(jù)結(jié)構(gòu)，通常代表值的網(wǎng)格。NumPy 的 ndarray 是一個(gè)同構(gòu)的 n 維數(shù)組對(duì)象，描述了類似類型的元素或項(xiàng)的集合。在這些ndarrays中，每個(gè)項(xiàng)都包含大小相同的內(nèi)存塊，且每個(gè)內(nèi)存塊都采用同一識(shí)別方式。這能夠高效、快速、輕松地處理科學(xué)計(jì)算的數(shù)據(jù)。

NumPy 數(shù)組運(yùn)算速度比 Python Lists 要快，因?yàn)?NumPy 數(shù)組是類似數(shù)據(jù)類型的編譯，并且在內(nèi)存中密集打包。相比之下，Python Lists 可以具有不同的數(shù)據(jù)類型，在系統(tǒng)執(zhí)行計(jì)算時(shí)會(huì)增加對(duì)這些數(shù)據(jù)類型的限制。

| NumPy 的優(yōu)勢(shì)

NumPy 具有以下重要優(yōu)勢(shì)和特性：

• NumPy 的 ndarray 計(jì)算概念是 Python 和 PyData 科學(xué)生態(tài)系統(tǒng)的核心。

• NumPy 為高度優(yōu)化的 C 函數(shù)提供了 Python 前端，可提供簡(jiǎn)單的 Python 接口，并實(shí)現(xiàn)編譯代碼的速度。

• NumPy 強(qiáng)大的 N 維數(shù)組對(duì)象可與各種庫(kù)集成。

• 與使用 Python 的內(nèi)置列表相比，NumPy 數(shù)組可以更高效地使用大型數(shù)據(jù)集來(lái)執(zhí)行高級(jí)數(shù)學(xué)運(yùn)算，且使用的代碼更少。對(duì)于大小和速度至關(guān)重要的科學(xué)計(jì)算序列而言，這一點(diǎn)至關(guān)重要。

NUMPY 的重要意義

NumPy 讓數(shù)據(jù)科學(xué)家更易于使用 Python 并提供了 C 級(jí)優(yōu)化，有助于快速創(chuàng)建高效代碼，進(jìn)行探索數(shù)據(jù)分析和模型構(gòu)建。如今，要想在科學(xué)計(jì)算領(lǐng)域取得成功，對(duì)算法進(jìn)行快速原型設(shè)計(jì)必不可少，而這二者的實(shí)現(xiàn)對(duì)此至關(guān)重要。因此，可以使用 NumPy 在 Python 中實(shí)現(xiàn)多維數(shù)據(jù)通信。

利用 PYTHON 進(jìn)行 GPU 加速計(jì)算

在架構(gòu)方面，CPU 僅由幾個(gè)具有大緩存內(nèi)存的核心組成，一次只可以處理幾個(gè)軟件線程。相比之下，GPU 由數(shù)百個(gè)核心組成，可以同時(shí)處理數(shù)千個(gè)線程。

NumPy 已成為在 Python 中實(shí)現(xiàn)多維數(shù)據(jù)通信的實(shí)際方法。然而，對(duì)于多核 GPU，這種實(shí)施并非最佳。因此，對(duì)于較新的針對(duì) GPU 優(yōu)化的庫(kù)實(shí)施 Numpy 數(shù)組或與 Numpy 數(shù)組進(jìn)行互操作。

NVIDIACUDA是 NVIDIA 專為 GPU 通用計(jì)算開發(fā)的并行計(jì)算平臺(tái)和編程模型。CUDA 數(shù)組接口是描述 GPU 數(shù)組（張量）的標(biāo)準(zhǔn)格式，允許在不同的庫(kù)之間共享 GPU 數(shù)組，而無(wú)需復(fù)制或轉(zhuǎn)換數(shù)據(jù)。CUDA 數(shù)組由 Numba、CuPy、MXNet 和 PyTorch 提供支持。

• CuPy是一個(gè)利用 GPU 庫(kù)在 NVIDIA GPU 上實(shí)施 NumPy CUDA 數(shù)組的庫(kù)。

• Numba是一個(gè) Python 編譯器，可以編譯 Python 代碼，以在支持 CUDA 的 GPU 上執(zhí)行。Numba 直接支持 NumPy 數(shù)組。

• Apache MXNet是一個(gè)靈活高效的深度學(xué)習(xí)庫(kù)。可以使用它的 NDArray 將模型的輸入和輸出表示和操作為多維數(shù)組。NDArray 類似于 NumPy 的 ndarray，但它們可以在 GPU 上運(yùn)行，以加速計(jì)算。

• PyTorch是一種開源深度學(xué)習(xí)框架，以出色的靈活性和易用性著稱。Pytorch Tensors 與 NumPy 的 ndarray 類似，但它們可以在 GPU 上運(yùn)行，加速計(jì)算。

NVIDIA GPU 加速的端到端數(shù)據(jù)科學(xué)

基于CUDA-X AI創(chuàng)建的 NVIDIARAPIDS開源軟件庫(kù)套件使您完全能夠在 GPU 上執(zhí)行端到端數(shù)據(jù)科學(xué)和分析流程。此套件依靠 NVIDIA CUDA 基元進(jìn)行低級(jí)別計(jì)算優(yōu)化，但通過(guò)用戶友好型 Python 接口實(shí)現(xiàn)了 GPU 并行化和高帶寬顯存速度。

借助 RAPIDS GPU DataFrame，數(shù)據(jù)可以通過(guò)一個(gè)類似 Pandas 的接口加載到 GPU 上，然后用于各種連接的機(jī)器學(xué)習(xí)和圖形分析算法，而無(wú)需離開 GPU。這種級(jí)別的互操作性是通過(guò) Apache Arrow 這樣的庫(kù)實(shí)現(xiàn)的。僅需一行代碼，即可從 NumPy 數(shù)組、Pandas DataFrame 和 PyArrow 表格創(chuàng)建 GPU 數(shù)據(jù)框。其他項(xiàng)目可以使用數(shù)組接口交換 CUDA 數(shù)據(jù)。這可加速端到端流程（從數(shù)據(jù)準(zhǔn)備到機(jī)器學(xué)習(xí)，再到深度學(xué)習(xí)）。

RAPIDS 支持在許多熱門數(shù)據(jù)科學(xué)庫(kù)之間共享設(shè)備內(nèi)存。這樣可將數(shù)據(jù)保留在 GPU 上，并省去了來(lái)回復(fù)制主機(jī)內(nèi)存的高昂成本。