英偉達宣布推出公開的 cuNumeric。這種替換庫 NumPy 的下降，將英偉達平臺上的分布式和加速計算引入到大型和不斷增長的 Python 社區(qū)和 PyDATA 生態(tài)系統(tǒng)中。

Python 已成為數(shù)據(jù)科學(xué)、機器學(xué)習(xí)和生產(chǎn)性數(shù)值計算中使用最廣泛的語言。 NumPy 是事實上的標準庫，提供了簡單易用的編程模型。該接口與科學(xué)應(yīng)用的數(shù)學(xué)要求密切相關(guān)，使其成為許多最廣泛使用的數(shù)據(jù)科學(xué)和機器學(xué)習(xí)編程環(huán)境的基礎(chǔ)。

隨著數(shù)據(jù)集和程序的規(guī)模和復(fù)雜性不斷增加，人們越來越需要利用計算資源，這遠遠超出了單一 CPU 節(jié)點所能提供的功能。 cuNumeric 將 GPU 加速超級計算引入 NumPy 生態(tài)系統(tǒng)。下圖顯示了輕松擴展到 1000 GPU 秒以上的功能。

圖 1 。 cuNumeric 顯示可擴展到一千 GPU 秒以上。

NVIDIA cuNumeric 庫的關(guān)鍵利益：

透明地加速和擴展現(xiàn)有 NumPy 工作流。

提供無縫的導(dǎo)入式 NumPy 替換。

為 CPU 和 GPU 中的多個節(jié)點提供自動并行和加速。

最佳可擴展到數(shù)千 GPU 。

需要零代碼更改以確保開發(fā)人員的工作效率。

可通過 GitHub 和 Conda 免費獲取。

關(guān)于作者

Jay Gould 是 NVIDIA 的高級產(chǎn)品營銷經(jīng)理，專注于 GPU 加速應(yīng)用程序的 HPC 軟件和平臺。在 NVIDIA 之前，他曾在 Cray 、 Xilinx 和頂級 csp 從事高性能計算工作。杰伊在哈維·穆德學(xué)院獲得學(xué)士學(xué)位。

審核編輯：郭婷