CuPy vs. NumPy，使用 GPU 速度提升 10 倍

那天晚上十一点多，我们组的小李在公司跑一堆数据预处理，边等边骂：“这 NumPy 也太慢了吧，CPU 烤得跟火炉一样。” 我就说：“你咋不用 CuPy 啊？GPU 跑数值计算，动不动快十倍。” 他愣住了，说他还真没玩过。于是我直接在他电脑上给演示了一把。

NumPy：老牌工具，但 CPU 吃力

NumPy 基本上是 Python 里搞科学计算的标配，矩阵、向量、随机数几乎都靠它。但是它只能跑在 CPU 上，要是矩阵一大，哪怕多核 CPU 也得等半天。

比如随便测一测 2000×2000 的矩阵相乘：

import numpy as np
import time
a = np.random.rand(2000, 2000)
b = np.random.rand(2000, 2000)
start = time.time()
c = np.dot(a, b)
end = time.time()
print("NumPy 耗时:", end - start, "秒")

我那台 8 核 CPU，大概要 5 秒多才能出结果。

CuPy：几乎无缝的 GPU 加速

CuPy 的妙处就在于，它和 NumPy 的 API 基本一模一样，很多时候你只要把 import numpy as np 换成 import cupy as cp 就能跑。

import cupy as cp
import time
a = cp.random.rand(2000, 2000)
b = cp.random.rand(2000, 2000)
start = time.time()
c = cp.dot(a, b)
cp.cuda.Stream.null.synchronize()  # 等 GPU 执行完
end = time.time()
print("CuPy 耗时:", end - start, "秒")

同样的矩阵，用一张 RTX 3060 算下来，不到 0.5 秒。小李当场就惊了：“卧槽，这不是快十

CPU vs GPU 性能对比

为了更直观，我还拉了个小表出来（环境：i7-10750H + RTX 3060）：

能看到一个规律：矩阵越大，GPU 越能发挥优势；小规模时，CPU 反而没差多少，甚至有时候更快（因为 GPU 数据拷贝有开销）。

什么时候值得用 CuPy

不是所有场景都需要上 GPU，这点我也跟小李说清楚：

• 大规模矩阵计算：比如金融风险模型、科学模拟。
• 深度学习前处理：数据归一化、特征处理。
• 高频迭代实验：比如蒙特卡洛模拟。

要是你平时只是在做小数组的加减乘除，还是老老实实用 NumPy 就够了。

最后小李当场决定把脚本全改成 CuPy，笑说：“早知道有这玩意儿，我这周就不用天天在电脑前干等了。”