我正在考虑使用某种形式的CUDA加速我的python代码，这是所有矩阵数学。目前我的代码使用的是Python和Numpy，因此使用PyCUDA或CudaMat这样的内容重写它似乎不会太难。
然而，在我第一次尝试使用CudaMat时，我意识到我必须重新排列很多方程式，以便将操作全部保留在GPU上。这包括创建许多临时变量，以便我可以存储操作的结果。
我理解为什么这是必要的，但它使曾经容易阅读的方程变得有点混乱，难以检查正确性。另外，我希望以后能够轻松修改方程式，这不是转换后的形式。
Theano设法通过首先创建操作的符号表示，然后将它们编译为CUDA来实现此目的。然而，在尝试了Theano之后，我对一切都不透明感到沮丧。例如，只是获取myvar.shape [0]的实际值很困难，因为直到很久之后才会对树进行求值。我也更喜欢一个框架，在这个框架中，我的代码非常符合一个无形的行为代替Numpy的库。
因此，我真正想要的是更简单的东西。我不希望自动区分（如果我需要，还有其他类似OpenOpt的软件包可以执行此操作），或树的优化，但只是从标准Numpy表示法转换为CudaMat / PyCUDA / somethingCUDA。实际上，我希望能够在没有任何CUDA代码的情况下将其评估为Numpy。
我正在考虑自己写这篇文章，但在考虑这样的冒险之前，我想知道是否有其他人知道类似的项目或一个好的起点。我所知道的唯一可能与之相近的其他项目是SymPy，但我不知道适应这个目的是多么容易。
我目前的想法是创建一个看起来像Numpy.array类的数组类。它的唯一功能就是构建一棵树。在任何时候，该符号数组类都可以转换为Numpy数组类并进行评估（也会有一对一的奇偶校验）。或者，可以遍历数组类并生成CudaMat命令。如果需要优化，可以在该阶段完成（例如重新排序操作，创建临时变量等），而不会妨碍检查正在发生的事情。
任何想法/评论等。对此我将不胜感激！
更新
用例可能看起来像（sym是理论模块），我们可能会做一些事情，比如计算渐变：
W = sym.array(np.rand(size=(numVisible, numHidden)))
delta_o = -(x - z)
delta_h = sym.dot(delta_o, W)*h*(1.0-h)
grad_W = sym.dot(X.T, delta_h)
在这种情况下，grad_W实际上只是一个包含需要完成的操作的树。如果你想正常评估表达式（即通过Numpy），你可以这样做：
npGrad_W = grad_W.asNumpy()
只执行树代表的Numpy命令。另一方面，如果你想使用CUDA，你会这样做：
cudaGrad_W = grad_W.asCUDA()
将树转换为可以通过CUDA执行的表达式（这可能以几种不同的方式发生）。
这样做应该是微不足道的：（1）测试grad_W.asNumpy() == grad_W.asCUDA()，以及（2）转换你原有的代码以使用CUDA。
答案 0 :(得分：2)
您是否看过PyCUDA的GPUArray部分？
http://documen.tician.de/pycuda/array.html
虽然我自己没有使用它，但它似乎就是你要找的东西。特别是，请查看该页面底部附近的“单程自定义表达式评估”部分。