### 如何在 Python 中使用 GPU 加速计算 #### 使用 TensorFlow 进行 GPU 加速 为了确认 TensorFlow 是否能够利用 GPU 执行运算，可以构建一个简单的计算图来进行测试。这不仅有助于验证环境配置是否成功，还能初步体验到 GPU 的强大性能[^4]。 ```python import tensorflow as tf # 检查是否有可用的GPU设备 print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU'))) # 创建两个大矩阵并在GPU上执行乘法操作 a = tf.constant([[1.0, 2.0], [3.0, 4.0]]) b = tf.constant([[1.0, 1.0], [0.0, 1.0]]) with tf.device('/GPU:0'): c = tf.matmul(a, b) print(c.numpy()) ``` #### 利用 OpenCV 和 CUDA 实现图像处理任务中的 GPU 加速 对于计算机视觉领域而言，OpenCV 结合 CUDA 提供了一种高效的方式去加速诸如滤波、变换等常见操作。通过访问 PyCUDA 程序获取 GPU 设备属性，开发者可以根据硬件特性优化算法实现[^2]。 ```cpp // C++ code snippet showing how to initialize and use a CUDA-enabled function within an OpenCV application. #include <opencv2/core/cuda.hpp> using namespace cv; using namespace cv::cuda; GpuMat d_src; Mat h_src = imread("image.jpg"); d_src.upload(h_src); Ptr<cv::cudafilters::Filter> filter = cv::cudafilters::createLinearFilter(CV_8UC3, CV_8UC3, Mat(5, 5, CV_32F, Scalar(1./25)), Point(-1,-1)); GpuMat d_dst; filter->apply(d_src, d_dst); ``` 请注意上述代码片段是以C++形式给出的例子；实际应用中可能需要转换成对应的Python接口调用方式。 #### Numba 库简化 GPU 编程模型 Numba 是一种 JIT (Just-In-Time) 编译器，它允许程序员轻松地将 Python 函数编译为机器码，在支持的情况下还可以直接映射至 GPU 上运行。当遇到像 `AttributeError` 错误提示时——比如 `'list' object has no attribute 'squeeze'` ——通常是因为传递给内核的数据结构不匹配所引起的。解决办法之一就是确保输入数据被正确转化为 NumPy 数组格式再交给 GPU 处理[^3]。 ```python from numba import cuda import numpy as np @cuda.jit def add_kernel(x, y, out): tx = cuda.threadIdx.x ty = cuda.blockIdx.x block_size = cuda.blockDim.x grid_size = cuda.gridDim.x start = tx + ty * block_size stride = block_size * grid_size for i in range(start, x.shape[0], stride): out[i] = x[i] + y[i] n = 1000000 x = np.ones(n, dtype=np.float32) y = np.ones(n, dtype=np.float32) out = np.zeros_like(x) add_kernel[(n+255)//256, 256](x, y, out) print(out[:10]) ```