我们目前正在尝试优化至少有12个变量的系统。这些变量的总合并超过10亿。这不是深度学习或机器学习或Tensorflow或其他任何东西，而是对时间序列数据的任意计算。
我们已经用Python实现了代码，并成功在CPU上运行了代码。我们还尝试了多处理，该方法也很好用，但由于计算需要数周时间，因此我们需要更快的计算速度。我们拥有一个由6个AMD GPU组成的GPU系统。我们想在此GPU系统上运行代码，但不知道如何执行。
我的问题是：
我们了解到需要为GPU计算调整代码，但我们不知道该怎么做。
PS：如果需要，我可以添加更多信息。我试图使帖子尽可能简单以避免冲突。
答案 0 :(得分：2)
至少有两个选项可以使用GPU加快计算速度：
但是我通常不建议从一开始就在GPU上运行代码。 GPU上的计算并不总是更快。取决于它们的复杂程度以及您在CPU和GPU上的实现情况。如果您按照下面的列表进行操作，则可以很好地了解期望的结果。
如果您的代码是纯Python（列表，浮点，for循环等），则可以通过使用矢量化的Numpy代码看到巨大的加速（最高可达100倍）。这也是找出如何实现GPU代码的重要步骤，因为矢量化Numpy中的计算将具有类似的方案。 GPU在可以并行化的小任务上表现更好。
一旦您有了一个经过优化的Numpy示例，就可以尝试使用Numba来获得GPU加速方面的第一印象。对于简单的情况，您可以修饰Numpy函数以在GPU上运行。如果您的问题可以并行化/向量化，那么与Numpy代码相比，您可以期望将速度提高100到500。
到目前为止，您可能还没有为GPU编写任何OpenCL C代码，但仍然可以在其上运行代码。但是，如果您的问题太复杂，则必须编写自定义代码并使用PyOpenCL运行它。与良好的Numpy代码相比，预期的提速也是100到500。
重要的一点是，GPU只有在正确使用且仅针对某些问题的情况下才具有强大的功能。
如果您有代码的小示例，请随时发布。
要说的另一件事是，CUDA通常比OpenCL更易于使用。有更多的库，更多的示例，更多的文档，更多的支持。 Nvidia从一开始就很好地支持了OpenCL，在这方面做得很好。我通常采用开放标准，但是当事情变得商业化时，我们很快就转向了CUDA和Nvidia硬件。