使用GPU加速计算

https://github.com/jkaardal/pyipm
https://www.anaconda.com/blog/developer-blog/getting-started-with-gpu-computing-in-anaconda/
GoAI：http://gpuopenanalytics.com/，

PyCuda、PyOpencl等，比较底层的库。
pytorch、mxnet、theano等深度学习框架，封装得更加好，实现的主要都是梯度算法。
Scikit-gpu：经典的机器学习库GPU版本
pyGDF：类似pandas，只支持linux，cuda10版本
pyculib：类似numpy
numba：底层GPU数组操作

首先安装cuda，使用nvcc --version测试是否安装成功
然后安装cudnn

本文持续更新中。

1. Numba

Numba是一个开源的JIT编译器，可以将python或者numpy 的一些数学计算编译为运算速度极快的机器码，从而大幅提升程序的运算效率。它使用通用的LLVM编译库，不仅可以编译用于CPU执行的代码，达到和C相比拟的速度，同时还可以调用GPU库（如NVIDIA的CUDA和AMD的ROCs等）来实现GPU加速，所左右这些，都可以简单的利用python中的装饰器来实现。
pip install numba安装，然后用numba -s查看安装情况。

2. CuPy

在实际使用中，我们一般将CPU代码中互相不依赖的的for循环适当替换成CUDA代码。
有多种方法可以使用GPU，比如cupy，numba，以及深度学习的库等。总的来说，只有当数据量到达一定数量级时，才会有提升。这个例子是1000万。

3. pytorch

去官网安装GPU版本的pytorch

# 测试cuda是否可用
print(torch.cuda.isavailable())
# 创建一个CPU的张量
x = torch.Tensor(3,4).to("cuda")