Downloaded 53 times
![ContextとCommandQueue
create_some_context() 1 #!/usr/bin/env python
2 # -*- coding: utf-8 -*-
実行時にデバイスと 3
4 import pyopencl as cl
プラットフォームを 5 import numpy
6
選択 7 # Contextの作成
8 ctx = cl.create_some_context()
CommandQueue 9
10 # CommandQueueの作成
host - device間の制御 11 queue = cl.CommandQueue(ctx)
[onoue@localhost test]$ python sample.py
Choose device(s):
[0] <pyopencl.Device 'Tesla C2050' on 'NVIDIA CUDA' at 0xfd4000>
[1] <pyopencl.Device 'GeForce GT 240' on 'NVIDIA CUDA' at 0xc85df0>
Choice, comma-separated [0]:0](https://image.slidesharecdn.com/scipy201206-120616034905-phpapp01/85/PyOpenCL-GPGPU-Tokyo-SciPy-4-15-320.jpg)
![数学関数の場合
clmathの関数は新しいメモリを確保する
インプレースに演算するにはElementwiseKernel
from pyopencl.elementwise import ElementwiseKernel
k = ElementwiseKernel(ctx, 'float* a', 'a[i] = sin(a[i]);')
a = clarray.zeros(queue, 1000000, numpy.float32)
start = time()
for _ in range(10000):
k(a)
stop = time()
print stop - start # 0.979743003845
a = clarray.zeros(queue, 1000000, numpy.float32)
start = time()
for _ in range(10000):
a = clmath.sin(a)
stop = time()
print stop - start # 3.34474182129](https://image.slidesharecdn.com/scipy201206-120616034905-phpapp01/85/PyOpenCL-GPGPU-Tokyo-SciPy-4-28-320.jpg)
![カーネル関数の適用
dataメソッドでBufferオブジェクトを取得
import pyopencl as cl
from pyopencl import clrandom
import numpy
ctx = cl.create_some_context(False)
queue = cl.CommandQueue(ctx)
prg = cl.Program(ctx, '''//CL//
__kernel void add2(__global float* a)
{
const int i = get_global_id(0);
a[i] += 2;
}
''').build()
a = clrandom.rand(queue, 1000, numpy.float32)
prg.add2(queue, a.shape, None, a.data)](https://image.slidesharecdn.com/scipy201206-120616034905-phpapp01/85/PyOpenCL-GPGPU-Tokyo-SciPy-4-29-320.jpg)
![参考資料 1
CUDA プログラミング入門（白山工業 森野編）
http://www.youtube.com/user/NVIDIAJapan
はじめてのCUDAプログラミング
ー脅威の開発環境[GPU+CUDA]を使いこなす！
http://www.amazon.co.jp/dp/4777514773
PyCUDAの紹介 - PythonとAWSですぐ始めるGPUコンピューティング
http://www.slideshare.net/likr/pycuda](https://image.slidesharecdn.com/scipy201206-120616034905-phpapp01/85/PyOpenCL-GPGPU-Tokyo-SciPy-4-33-320.jpg)
More Related Content
![[関東GPGPU勉強会#2] ライブラリを使って大規模疎行列線形方程式を解いてみよう](https://cdn.slidesharecdn.com/ss_thumbnails/kantogpgpu2-130608041648-phpapp01-thumbnail.jpg?width=640&height=640&fit=bounds)
Similar to PyOpenCLによるGPGPU入門 Tokyo.SciPy#4 編
![[GTCJ2018]CuPy -NumPy互換GPUライブラリによるPythonでの高速計算- PFN奥田遼介](https://cdn.slidesharecdn.com/ss_thumbnails/gtcj2018cupypfnryosukeokuta-181009073034-thumbnail.jpg?width=640&height=640&fit=bounds)
PyOpenCLによるGPGPU入門 Tokyo.SciPy#4 編
- 1. PyOpenCLによるGPGPU入門 Tokyo.SciPy#4 編 @_likr
- 2.
- 3. 数理最適化とPython CPLEX Python用ライブラリの提供 Gurobi インタラクティブシェルベースのUI Pyomo モデリング用ライブラリ
- 4.
- 5.
- 6. GPGPUとは GPGPU : GeneralPurpose Computing on GPU GPUによる汎目的計算 スパコンなどでも利用 今後モバイルにも普及が進む（？）
- 7.
- 8. OpenCLとは ヘテロジニアス並列環境のためのフレームワーク マルチコアCPU、GPU、DSP、FPGA Host Device CPU Processor Bus Memory Memory
- 9.
- 10. PyOpenCL Andreas Klöckner 氏が開発したPythonから OpenCLAPIにアクセスするためのライブラリ PyCUDAと同様のインタフェース
- 11.
- 12.
- 13. インストール 1 OpenCLのインストール NVIDIAOpenCL AMD OpenCL Intel OpenCL Apple OpenCL
- 14. インストール 2 pip installnumpy pip install mako pip install pyopencl OpenCLのインストール先が標準以外の場合、 OpenGL連携を有効にするなどの場合は ~/.aksetup-defaults.py を作成 http://d.hatena.ne.jp/likr/20120604#1338786247
- 15. ContextとCommandQueue create_some_context() 1 #!/usr/bin/env python 2 # -*- coding: utf-8 -*- 実行時にデバイスと 3 4 import pyopencl as cl プラットフォームを 5 import numpy 6 選択 7 # Contextの作成 8 ctx = cl.create_some_context() CommandQueue 9 10 # CommandQueueの作成 host - device間の制御 11 queue = cl.CommandQueue(ctx) [onoue@localhost test]$ python sample.py Choose device(s): [0] <pyopencl.Device 'Tesla C2050' on 'NVIDIA CUDA' at 0xfd4000> [1] <pyopencl.Device 'GeForce GT 240' on 'NVIDIA CUDA' at 0xc85df0> Choice, comma-separated [0]:0
- 16. Arrayオブジェクト device上のメモリ空間に確保される numpy.ndarrayを経由してやり取り #host側メモリ host_a = numpy.random.rand(100) host_b = numpy.random.rand(100) # ndarrayからArrayオブジェクトを作成 dev_a = clarray.to_device(queue, host_a) # hostからdeviceへデータ転送 dev_a.set(host_b) # deviceからホストへデータ転送 host_c = dev_a.get()
- 17. Arrayを直接生成する host - device間のデータ転送はコストがかかる 簡単なデータ生成はdeviceで行うのが効率的 a = clarray.empty(queue, 100, numpy.float32) b = clarray.zeros(queue, 100, numpy.float32) c = clarray.arange(queue, 0, 1000, 10, dtype=numpy.float32) d = clrandom.rand(queue, 100, numpy.float32)
- 18. 同じ型のArrayを作る size, shape, dtypeが同じArrayを作る e = clarray.empty_like(a) f = clarray.zeros_like(a)
- 19. fill emptyで作成したArrayの初期化などに利用 a.fill(2.0) clrandom.fill_rand(e)
- 20. 演算子のサポート 二項演算はArray同士、 a+b -a Arrayとスカラー値で可能 a-b abs(a) ** は浮動小数点数のみ a*b a ** b bit演算は未対応 a/b len(a)
- 21. リダクション sum GPU上で効率よく計算するには テクニックが必要な処理が min 関数として提供 max
- 22.
- 23. n = 100000 numpy Core i7 920 GTX 465 a+b 0.0001 0.0004 0.0002 a+s 0.0001 0.0004 0.0002 a*b 0.0001 0.0004 0.0002 a*s 0.0001 0.0002 0.0002 sin(a) 0.0012 0.0004 0.0002 sum(a) 0.0001 0.0027 0.0005 dot(a) 0.0001 0.0027 0.0005 rand 0.0016 0.0001 0.0008
- 24. n = 1000000 numpy Core i7 920 GTX 465 a+b 0.0013 0.0004 0.0004 a+s 0.0011 0.0004 0.0003 a*b 0.0013 0.0004 0.0003 a*s 0.0011 0.0002 0.0003 sin(a) 0.0124 0.0004 0.0003 sum(a) 0.0011 0.0028 0.0005 dot(a) 0.0012 0.0026 0.0005 rand 0.0158 0.0001 0.0041
- 25.
- 26.
- 27. 複合代入演算 a = a+ bはa += bと書くとメモリが節約される __idiv__は未実装なので、 スカラー値による除算はa *= 1./sなどで対応 a = clarray.zeros(queue, 1000000, numpy.float32) start = time() for _ in range(10000): a += 2.0 stop = time() print stop - start # 0.942986965179 a = clarray.zeros(queue, 1000000, numpy.float32) start = time() for _ in range(10000): a = a + 2.0 stop = time() print stop - start # 3.3877761364
- 28. 数学関数の場合 clmathの関数は新しいメモリを確保する インプレースに演算するにはElementwiseKernel from pyopencl.elementwiseimport ElementwiseKernel k = ElementwiseKernel(ctx, 'float* a', 'a[i] = sin(a[i]);') a = clarray.zeros(queue, 1000000, numpy.float32) start = time() for _ in range(10000): k(a) stop = time() print stop - start # 0.979743003845 a = clarray.zeros(queue, 1000000, numpy.float32) start = time() for _ in range(10000): a = clmath.sin(a) stop = time() print stop - start # 3.34474182129
- 29. カーネル関数の適用 dataメソッドでBufferオブジェクトを取得 import pyopencl as cl from pyopencl import clrandom import numpy ctx = cl.create_some_context(False) queue = cl.CommandQueue(ctx) prg = cl.Program(ctx, '''//CL// __kernel void add2(__global float* a) { const int i = get_global_id(0); a[i] += 2; } ''').build() a = clrandom.rand(queue, 1000, numpy.float32) prg.add2(queue, a.shape, None, a.data)
- 30.
- 31. kyoto.py Pythonの勉強会 京都を中心とした関西圏で活動 活動予定 8月4日 OSC Kyoto 8月末頃 勉強会（予定） https://groups.google.com/forum/#!forum/kyotopy
- 32.
- 33. 参考資料 1 CUDA プログラミング入門（白山工業 森野編） http://www.youtube.com/user/NVIDIAJapan はじめてのCUDAプログラミング ー脅威の開発環境[GPU+CUDA]を使いこなす！ http://www.amazon.co.jp/dp/4777514773 PyCUDAの紹介- PythonとAWSですぐ始めるGPUコンピューティング http://www.slideshare.net/likr/pycuda
- 34. 参考資料 2 改訂新版 OpenCL入門1.2対応 マルチコアCPU・GPUのための並列プログラミング http://www.amazon.co.jp/dp/4844331728 The OpenCL Specification Version 1.2 http://www.khronos.org/registry/cl/specs/opencl-1.2.pdf PyOpenCL http://mathema.tician.de/software/pyopencl PyOpenCLハンズオン in kyoto.py 資料 http://pykyoto201109-pyopencl.s3-website-ap-northeast-1.amazonaws.com/pyopencl.html
- 35.