一、常见的 GPU 计算框架
- CUDA 系列（CUDA、cuDNN、TensorRT）：仅支持 NVIDIA 显卡
- ROCm / HIP：主要支持 AMD 显卡
- Apple Metal：仅支持 MacOS 设备的 M 系列芯片
- Intel oneAPI：主要支持 Intel 硬件
- OpenCL：通用
- Vulkan Compute：通用
- ……
二、Python 调用 GPU 的常见软件包
1. 深度学习库
- PyTorch
- TensorFlow / Keras
- JAX
- ……
2. 通用 GPU 计算库
- Numba：通过 @cuda.jit 装饰器将 Python 函数编译为 GPU 核函数，适合加速数值计算。
- CuPy：模仿 NumPy 接口的 GPU 数组库，支持 CUDA 和 ROCm。
- PyCUDA：直接调用 CUDA C 代码，提供 Python 与 CUDA 的交互接口。
- PyOpenCL：直接调用 OpenCL 框架，支持 NVIDIA/AMD/Intel。
- ……
个人推荐以及软件包的硬件适配情况：
- 对于深度学习库，推荐使用 PyTorch。PyTorch 支持 CUDA、Linux 系统下的 ROCm，以及 MacOS 设备的 M 系列芯片，参考：https://pytorch.org/get-started/locally/。另外，Intel 独立显卡以及一些国产显卡也在主动适配 PyTorch，安装方法可能在各个显卡官网或论坛上，步骤会稍微麻烦些。
- 对于通用的 GPU 计算库，推荐使用 Numba 和 CuPy。Numba 支持 CUDA，参考：https://numba.readthedocs.io/en/stable/cuda/index.html；而 CuPy 支持 CUDA 和 ROCm，参考：https://docs.cupy.dev/en/stable/install.html。
总之，NVIDIA 显卡的 CUDA 软件生态比较好一些，其次是 AMD 显卡的 ROCm 以及 MacOS 设备的 M 芯片。
【说明：本站主要是个人的一些笔记和代码分享，内容可能会不定期修改。为了使全网显示的始终是最新版本，这里的文章未经同意请勿转载。引用请注明出处：https://www.guanjihuan.com】
