NumPy 是一個免費的開源 Python 庫，用于 n 維數(shù)組（也稱為張量）處理和數(shù)值計算。

什么是 NUMPY？

NumPy 是一個免費的 Python 編程語言開源庫，它功能強大、已經(jīng)過充分優(yōu)化，并增加了對大型多維數(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)、隨機模擬、傅立葉變換、三角運算和統(tǒng)計運算。

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

作為科學(xué)計算的核心庫，NumPy 是 Pandas、Scikit-learn和SciPy等庫的基礎(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)運算。

選擇 NUMPY 的原因及其工作原理

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

NumPy 數(shù)組運算速度比 Python Lists 要快，因為 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)行計算時會增加對這些數(shù)據(jù)類型的限制。

| NumPy 的優(yōu)勢

NumPy 具有以下重要優(yōu)勢和特性：

NumPy 的 ndarray 計算概念是 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，可提供簡單的 Python 接口，并實現(xiàn)編譯代碼的速度。

NumPy 強大的 N 維數(shù)組對象可與各種庫集成。

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)集來執(zhí)行高級數(shù)學(xué)運算，且使用的代碼更少。對于大小和速度至關(guān)重要的科學(xué)計算序列而言，這一點至關(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 級優(yōu)化，有助于快速創(chuàng)建高效代碼，進行探索數(shù)據(jù)分析和模型構(gòu)建。如今，要想在科學(xué)計算領(lǐng)域取得成功，對算法進行快速原型設(shè)計必不可少，而這二者的實現(xiàn)對此至關(guān)重要。因此，可以使用 NumPy 在 Python 中實現(xiàn)多維數(shù)據(jù)通信。

利用 PYTHON 進行 GPU 加速計算

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

NumPy 已成為在 Python 中實現(xiàn)多維數(shù)據(jù)通信的實際方法。然而，對于多核 GPU，這種實施并非最佳。因此，對于較新的針對 GPU 優(yōu)化的庫實施 Numpy 數(shù)組或與 Numpy 數(shù)組進行互操作。

NVIDIACUDA是 NVIDIA 專為 GPU 通用計算開發(fā)的并行計算平臺和編程模型。CUDA 數(shù)組接口是描述 GPU 數(shù)組（張量）的標(biāo)準(zhǔn)格式，允許在不同的庫之間共享 GPU 數(shù)組，而無需復(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是一個利用 GPU 庫在 NVIDIA GPU 上實施 NumPy CUDA 數(shù)組的庫。

Numba是一個 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是一個靈活高效的深度學(xué)習(xí)庫?？梢允褂盟?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 上運行，以加速計算。

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 上運行，加速計算。

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 基元進行低級別計算優(yōu)化，但通過用戶友好型 Python 接口實現(xiàn)了 GPU 并行化和高帶寬顯存速度。

借助 RAPIDS GPU DataFrame，數(shù)據(jù)可以通過一個類似 Pandas 的接口加載到 GPU 上，然后用于各種連接的機器學(xué)習(xí)和圖形分析算法，而無需離開 GPU。這種級別的互操作性是通過 Apache Arrow 這樣的庫實現(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，并省去了來回復(fù)制主機內(nèi)存的高昂成本。