NumPy 是一個免費的開源 Python 庫，用于 n 維數組（也稱為張量）處理和數值計算。

什么是 NUMPY？

NumPy 是一個免費的 Python 編程語言開源庫，它功能強大、已經過充分優化，并增加了對大型多維數組（也稱為矩陣或張量）的支持。NumPy 還提供了一系列高級數學函數，可與這些數組結合使用。其中包括基本的線性代數、隨機模擬、傅立葉變換、三角運算和統計運算。

NumPy 代表 “numerical Python”，基于早期的 Numeric 和 Numarray 庫構建而成，旨在為 Python 提供快速的數字計算。如今，NumPy 貢獻者眾多，并得到了 NumFOCUS 的贊助。

作為科學計算的核心庫，NumPy 是 Pandas、Scikit-learn和SciPy等庫的基礎。它廣泛應用于在大型數組上執行優化的數學運算。

選擇 NUMPY 的原因及其工作原理

多維數組是 NumPy 庫的中心數據結構，通常代表值的網格。NumPy 的 ndarray 是一個同構的 n 維數組對象，描述了類似類型的元素或項的集合。在這些ndarrays中，每個項都包含大小相同的內存塊，且每個內存塊都采用同一識別方式。這能夠高效、快速、輕松地處理科學計算的數據。

NumPy 數組運算速度比 Python Lists 要快，因為 NumPy 數組是類似數據類型的編譯，并且在內存中密集打包。相比之下，Python Lists 可以具有不同的數據類型，在系統執行計算時會增加對這些數據類型的限制。

| NumPy 的優勢

NumPy 具有以下重要優勢和特性：

NumPy 的 ndarray 計算概念是 Python 和 PyData 科學生態系統的核心。

NumPy 為高度優化的 C 函數提供了 Python 前端，可提供簡單的 Python 接口，并實現編譯代碼的速度。

NumPy 強大的 N 維數組對象可與各種庫集成。

與使用 Python 的內置列表相比，NumPy 數組可以更高效地使用大型數據集來執行高級數學運算，且使用的代碼更少。對于大小和速度至關重要的科學計算序列而言，這一點至關重要。

NUMPY 的重要意義

NumPy 讓數據科學家更易于使用 Python 并提供了 C 級優化，有助于快速創建高效代碼，進行探索數據分析和模型構建。如今，要想在科學計算領域取得成功，對算法進行快速原型設計必不可少，而這二者的實現對此至關重要。因此，可以使用 NumPy 在 Python 中實現多維數據通信。

利用 PYTHON 進行 GPU 加速計算

在架構方面，CPU 僅由幾個具有大緩存內存的核心組成，一次只可以處理幾個軟件線程。相比之下，GPU 由數百個核心組成，可以同時處理數千個線程。

NumPy 已成為在 Python 中實現多維數據通信的實際方法。然而，對于多核 GPU，這種實施并非最佳。因此，對于較新的針對 GPU 優化的庫實施 Numpy 數組或與 Numpy 數組進行互操作。

NVIDIACUDA是 NVIDIA 專為 GPU 通用計算開發的并行計算平臺和編程模型。CUDA 數組接口是描述 GPU 數組（張量）的標準格式，允許在不同的庫之間共享 GPU 數組，而無需復制或轉換數據。CUDA 數組由 Numba、CuPy、MXNet 和 PyTorch 提供支持。

CuPy是一個利用 GPU 庫在 NVIDIA GPU 上實施 NumPy CUDA 數組的庫。

Numba是一個 Python 編譯器，可以編譯 Python 代碼，以在支持 CUDA 的 GPU 上執行。Numba 直接支持 NumPy 數組。

Apache MXNet是一個靈活高效的深度學習庫。可以使用它的 NDArray 將模型的輸入和輸出表示和操作為多維數組。NDArray 類似于 NumPy 的 ndarray，但它們可以在 GPU 上運行，以加速計算。

PyTorch是一種開源深度學習框架，以出色的靈活性和易用性著稱。Pytorch Tensors 與 NumPy 的 ndarray 類似，但它們可以在 GPU 上運行，加速計算。

NVIDIA GPU 加速的端到端數據科學

基于CUDA-X AI創建的 NVIDIARAPIDS開源軟件庫套件使您完全能夠在 GPU 上執行端到端數據科學和分析流程。此套件依靠 NVIDIA CUDA 基元進行低級別計算優化，但通過用戶友好型 Python 接口實現了 GPU 并行化和高帶寬顯存速度。

借助 RAPIDS GPU DataFrame，數據可以通過一個類似 Pandas 的接口加載到 GPU 上，然后用于各種連接的機器學習和圖形分析算法，而無需離開 GPU。這種級別的互操作性是通過 Apache Arrow 這樣的庫實現的。僅需一行代碼，即可從 NumPy 數組、Pandas DataFrame 和 PyArrow 表格創建 GPU 數據框。其他項目可以使用數組接口交換 CUDA 數據。這可加速端到端流程（從數據準備到機器學習，再到深度學習）。

RAPIDS 支持在許多熱門數據科學庫之間共享設備內存。這樣可將數據保留在 GPU 上，并省去了來回復制主機內存的高昂成本。