AMD Ryzen 3900X vs Intel Xeon 2175W Python numpy - MKL vs OpenBLAS
Introduction (and a bit of history!) In this post I've done more testing with Ryzen 3900X looking at the effect of BLAS libraries on a simple but computationally demanding problem with Python numpy. The results may surprise you! I start with a little bit of history of Intel vs AMD performance to give you what may be a new perspective on the issue. More reality check with the AMD Zen2 Ryzen 3900X!
Understanding tensordot
The idea with tensordot is pretty simple - We input the arrays and the respective axes along which the sum-reductions are intended. The axes that take part in sum-reduction are removed in the output and all of the remaining axes from the input arrays are spread-out as different axes in the output keeping the order in which the input arrays are fed. Let's look at few sample cases with one and two a
実録！コードリーディング入門 ~ NumPy rollaxis & transpose 編 ~ (1/2) - Qiita
実録！コードリーディング入門 ~ NumPy rollaxis & transpose 編 ~ (1/2)PythonCnumpyコードリーディング この記事は、 numpy.rollaxis の実装を追った際の調査過程をメモしたものです。 コードリーディングの過程がわかる情報というのはありそうでなかなかないので、共有します。 コードリーディング初心者の方のお役に立てば幸いです。 きっかけ きっかけは Chainer の softmax_cross_entropy の実装を読んでいたところから始まります。 numpy.rollaxis という関数を読んでいることがわかり、これは何をやっているんだろうと疑問に思いました。 def forward_cpu(self, inputs): x, t = inputs if chainer.is_debug(): _check_input_value
Chainer 4.0 + iDeep がすごい
Chainer 4.0 + iDeepで簡単にパフォーマンス測定をしたところ、なかなかすごかったので、メモです。 せっかくなので、Google Cloud Platform(GCP)のAlway freeのインスタンス、f1-microで動かしてみて、パフォーマンスを比較してみました。（安いインスタンスでも速くなるというのを確認したかったので） 参考： pip で MKL にリンクされた numpy, scipy が自動的にインストールされるようにする iDeep を使ってCPUでのChainerの推論速度をアップしよう インストール方法 以下、Ubuntu 17.10 に入れています。 https://software.intel.com/en-us/mkl から、"Intel Math Kernel Library"をダウンロード 既存の chainer、numpy をアンインストール
Boost.numpy ことはじめ - 雑食性雑感雑記
以前から「Boost.numpy」というのが便利というのを聞いていたがなかなか使って見る機会が無く。。 他のブログ等検索したが、自分にちょうど良さそうな記事が見つからなかったので整理しつつ事始めしてみる。 Ubuntu16.04で環境構築から始めて、簡単なサンプルをcmakeビルドし、Pythonで呼び出すところまで。 Boost.numpy Boost 1.63 辺りから追加された機能。 C++ boost code ⇔ Python 間で numpy 配列を受け渡し、 Python だと遅いところは C++ で操作 C++ で記述が面倒なところは Python で操作 することができる。 環境 Ubuntu16.04 Python3.5 ( boost は 1.58 が apt-get により既に導入済み ) その他 CMake 3.5 ( ソースコードからビルドで導入 ) 環境構築
C++でpythonを拡張する(Boost.NumPy) - Qiita
何故C++のクラス・関数をPythonにバインドするか？ C++11は非常に便利になった。Boost使えばさらに便利だ。 しかし、pythonはもっと使いやすい。 NumPyをベースにしたプロジェクト群(SciPy, matplotlib, pandas, ...) は共通の基盤の上に非常に使い易く整備されている上に、そこそこ高速に動作する。 C++を使うべきか、Pythonにバインドして使うべきか、 また私の中で結論はでていないが、とりあえずバインドするための情報をまとめる。 どうやってバインドするか？ 問題は2つある。 単純にPythonにバインドする方法 NumPyにバインドする方法 Pythonを使う理由の一つにNumPyのベースのライブラリを使用する事があるので、 NumPyのndarray等に変換できる必要がある。 基本となるのはPython C APIとNumPy C API
C++でPythonを拡張するためのBoost.NumPyチュートリアル(実践編) - Qiita
C++ Advent Calender 10日目の記事です。 Boost 1.63でBoost.NumPyがBoost.Pythonにマージされます。 それに伴い以下の記述では不具合があるかもしれません。修正記事を書く予定です。 動機 Pythonまじ便利です。 シミュレーションとその結果の解析がメインとなるアカデミア(見習い)である私には、 対話的にデータの加工、解析、可視化がシームレスに実行できるIPython Notebookは必須です。 残念ならがC++だけで同等の機能を提供してくれる環境はありません(たぶん)。 CERNが作ってるROOTのclingはC++を対話的に実行できるそうですが情報が少なくて使ったことありません。 だれかC++で文芸的プログラミングできるIC++ Notebook作ってください（切実）。 しかしながらシミュレーション自体は数日から数週間実行するもので、
mkl numpyのインストール方法 - Qiita
Intel製の高性能行列ライブラリ、Math Kernel Library (mkl)がフリーで公開されるようになりました。これをnumpyから使えるようにする方法を解説します。対象はLinuxです（自分はUbuntu 14.04）。 MKLのインストール 以下のサイトの、”click here now to register and download” をクリック。 https://software.intel.com/en-us/articles/free_mkl 名前、メールアドレス、会社名などを入力。レジストレーションのメールが来るので、そこをたどるとダウンロードできる。Mac版はない。およそ1GBある。インストール時に必要な、レジストレーションキーがあるのでメモっておく。 自分がダウンロードしたのは、l_mkl_11.3.0.109.tgz ダウンロードしたファイルを展開。中にi
Pythonでの数値計算ライブラリNumPy徹底入門
NumPyは、多次元配列を扱う数値演算ライブラリです。機械学習だけでなく画像処理、音声処理などコンピュータサイエンスをするならNumPyを学んでおくことで、あなたの日々の研究や開発の基礎力は格段にアップするはずです。 プログラミングの初心者から、Webエンジニア、これから研究する人など、初学者にも分かりやすく優しく説明することを心がけて必要な知識が身につくように解説しています。 腰を据えて学習する時間と余裕のある方は、Step1から順に進めていくことで、苦手意識のあった方でも一通り読み終わる頃には理解できなかったPythonとNumPyのソースコードがスラスラと読めるようになるはずです。 上級者の方は、分からない記事だけ読むだけでも、力になると思われます。あなたのプログラミング能力を向上する手助けになることをお約束します。このサイトを通して、コンピュータサイエンスに入門しましょう。 Ste
CuPy
NumPy/SciPy-compatible Array Library for GPU-accelerated Computing with Python High performance with GPU CuPy is an open-source array library for GPU-accelerated computing with Python. CuPy utilizes CUDA Toolkit libraries including cuBLAS, cuRAND, cuSOLVER, cuSPARSE, cuFFT, cuDNN and NCCL to make full use of the GPU architecture. The figure shows CuPy speedup over NumPy. Most operations perform we
Page Redirection
If you are not redirected automatically, follow this link/a>.
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Inside NumPy: how it works and how we can make it better