https://txtmix.com/tags/numpy/Recent content in NumPy on Text MatrixHugozh-cnTue, 21 Jul 2026 20:06:14 +0800https://txtmix.com/posts/tech/cupy-cupy-numpy-cuda-gpu-acceleration-guide/Sun, 28 Jun 2026 21:08:46 +0800https://txtmix.com/posts/tech/cupy-cupy-numpy-cuda-gpu-acceleration-guide/<h2 id="开场判断">开场判断</h2> <p>CuPy 解决的真正问题不是「让 NumPy 跑得快」，而是<strong>把 NumPy/SciPy 这套 Python 数值计算体系，从 CPU 生态完整搬到 GPU 生态</strong>，并且保持 API 表面几乎不变。它通过三层机制做到这一点：</p> <ol> <li>用 <code>cupy.ndarray</code> 镜像 <code>numpy.ndarray</code>，让用户的 Python 代码可以「换 import 名字」直接跑在 GPU 上；</li> <li>用 <code>cupy_backends/</code> 目录把 CUDA 和 ROCm（HIP）藏在同一个 C-API 后面，使同一份上层 Cython 代码可以选 NVIDIA 或 AMD GPU；</li> <li>用运行时 NVRTC（NVIDIA Runtime Compilation，CUDA 动态编译库）即时合成 kernel，并把 cuBLAS、cuSOLVER、cuTENSOR、cuSPARSE、NCCL 这些厂商库包装成 <code>cupyx.linalg</code>、<code>cupy.cuda.*</code> 等用户 API。</li> </ol> <p>读完这句话，读者应当已经能区分 CuPy 与 PyTorch、与 Numba CUDA 的边界：PyTorch 的目标是深度学习 tensor 计算与自动求导；Numba CUDA 是 Python 子集 + 手写 kernel；CuPy 则是把 NumPy/SciPy 这套既有生态用 GPU 重新实现一遍，重点是「不动业务代码，只换底层」。这也是为什么这个仓库有 11356 stars、1061 forks、MIT 协议、Preferred Networks 长期维护——它在 HPC（High Performance Computing，高性能计算）、信号处理、计算化学、辐射成像等需要既有 NumPy 代码又想用 GPU 的领域是不可替代的。</p>