nv-legate/cupynumeric

End of life; no longer maintained. Final public release: v26.06.01.

解决的问题

解决了将基于 NumPy 的工作流扩展到高性能计算环境的困难。允许用户在 GPU 和分布式系统上运行现有的 NumPy 代码，而无需进行大量代码更改。

工作原理

cuPyNumeric 在 Legate 框架之上实现了 NumPy API，使数组计算能够从单个 CPU 扩展到跨多个节点的数千个 GPU。

适用人群

专为从事大规模数据分析、复杂模拟和机器学习的研究人员和开发者设计，他们需要在多个 GPU 和节点之间扩展计算。

主要亮点

  • 实现了面向高性能计算的 NumPy API。
  • 可从单个 CPU 扩展到跨多个节点的数千个 GPU。
  • 对现有 NumPy 工作流几乎无需代码更改。
  • 基于 Legate 框架构建。

相关

  • 项目
    cupy/cupy

    CuPy 是一个与 NumPy 和 SciPy 兼容的数组库，可在 NVIDIA CUDA 和 AMD ROCm 平台上为 Python 提供 GPU 加速的数值计算。

  • 项目
    NVIDIA/cuda-python

    一组 Python 软件包，为 GPU 加速计算提供对 NVIDIA CUDA 平台的高层惯用访问和低层绑定访问。

  • 项目
    inducer/pycuda

    PyCUDA 是 Nvidia 的 CUDA API 的 Python 封装，支持 GPU 上的高性能并行计算，具备自动内存管理和 C++ 速度。

  • 项目
    lupinemachines/lupine

    LUPINE 是一个基于 Docker 的 GPU-over-IP 桥接器，它将 CUDA 驱动程序调用从仅 CPU 的机器转发到远程 GPU 服务器，让您可以像本地安装了 GPU 一样运行 CUDA 程序（例如 PyTorch、nvidia-smi）。

  • 项目
    NVIDIA/cudnn-frontend

    NVIDIA 的 cuDNN Frontend 是一个头文件仅有的 C++ 库，附带 Python 绑定，可简化 cuDNN Graph API 的使用。它提供统一的图抽象、自动调优，以及适用于 Hopper 和 Blackwell GPU 的开源高性能内核（Flash‑Attention、融合 GEMM‑+‑激活、稀疏注意力等），支持 FP16/BF16/FP8。可通过 pip 安装或直接包含头文件，并可直接与 PyTorch 或 CUDA Graph 集成。