numpy - “import numpy as cp”是处理非 GPU 情况的好习惯吗？

Question

我正在使用 CuPy 编写理想地在 GPU 上运行以提高速度的代码。但是，我希望代码能够使用 numpy 实现运行（尽管速度更慢）。目前我正在做以下事情：

import numpy as np
if gpu_present:
    import cupy as cp
else:
    import numpy as cp

我担心我以后可能会遇到问题。这是好习惯吗？

Answer 1

当脚本很小并且可以在启动时固定要使用的命名空间时，我经常使用一个名为的全局变量xp（与您的解决方案相同）。我有时也使用的类似模式是使其成为类的实例属性（再次命名xp）；对于未来的扩展来说，它更能容忍，因为每个实例都可以为该属性具有不同的值。一个类似的、更健壮但麻烦的方法是为xp每个函数创建第一个参数。

在编写可在任何情况下使用的库时（例如多线程代码，在单个进程中同时使用 NumPy 和 CuPy），最好让每个函数/类为参数适当地处理命名空间。我经常get_array_module为此目的使用实用程序。CuPy 有这个功能，虽然它需要安装 CuPy。Chainer 也有它。自己写也很简单。使用此实用程序，您可以使代码与 NumPy 或 CuPy 数组一起使用，而无需全局开关。

另请注意，NumPy>=1.17 可以将 CuPy 数组分派给适当的 CuPy 例程，因此numpy.*在大多数情况下，您可以将 CuPy 数组直接传递给函数。如果你的代码只对给定的数组进行计算，你甚至根本不需要使用cupy命名空间（你仍然需要使用它来创建一个新数组而不给另一个数组，比如cupy.onesand cupy.random.*）。