我使用1kB .png文件（即2048x2048 numpy array）来测试我的PyCuda计划，并显示该程序耗时 1.57s 分配数据并将其复制到设备。
这么长时间这是正常的吗？
我想知道PyCuda和Cuda C在分配和memcpy过程中是否有性能差异？
（由于内核在使用PyCuda时仍然用C编写，内核执行时间约为0.17秒，所以我觉得做准备花了太长时间。）
分配和记忆的代码
img_gpu = cuda.mem_alloc(img.nbytes)
cuda.memcpy_htod(img_gpu, img)
result_gpu = cuda.mem_alloc(result.nbytes)
cuda.memcpy_htod(result_gpu, result)
disX = np.array(disX).astype(np.int32)
disY = np.array(disY).astype(np.int32)
disX_gpu = cuda.mem_alloc(disX.nbytes)
cuda.memcpy_htod(disX_gpu, disX)
disY_gpu = cuda.mem_alloc(disY.nbytes)
cuda.memcpy_htod(disY_gpu, disY)
答案 0 :(得分：2)
不，PyCUDA（以你使用它的方式）和＆＃34; native＆＃34;之间的性能差异可以忽略不计。 CUDA。
PyCUDA驱动程序模块是一个围绕CUDA驱动程序API的非常薄的包装器，您应该期望它们执行相同的操作。上下文建立和内存分配是昂贵的操作，特别是在Windows WDDM平台上，看起来你所测量的只是标准延迟和设置开销。