GPU随机采样速度比较

技术背景

随机采样问题，不仅仅只是一个统计学/离散数学上的概念，其实在工业领域也都有非常重要的应用价值/潜在应用价值，具体应用场景我们这里就不做赘述。本文重点在于在不同平台上的采样速率，至于另外一个重要的参数检验速率，这里我们先不做评估。因为在Jax中直接支持vmap的操作，而numpy的原生函数大多也支持了向量化的运算，两者更像是同一种算法的不同实现。所以对于检验的场景，两者的速度区别更多的也是在硬件平台上。

随机采样示例

关于Jax的安装和基本使用方法，读者可以自行参考Jax的官方文档，需要注意的是，Jax有CPU、GPU和TPU三个版本，如果需要使用其GPU版本的功能，还需要依赖于jaxlib，另外最好是指定安装对应的CUDA版本，这都是安装过程中所踩过的一些坑。最后如果安装的不是GPU的版本，运行Jax脚本的时候会有相关的提示说明。

随机采样，可以是针对一个给定的连续函数，也可以针对一个离散化的列表，但是为了更好的扩展性，一般问题都会转化成先获取均匀的随机分布，再转化成其他函数形式的分布，如正态分布等。所以这里我们更加的是关注下均匀分布函数的效率：

import numpy as np
import time
import jax.random as random
key = random.PRNGKey(0)

print ('An small example of numpy sampler: \n{}'.format(np.random.uniform(low=0,high=1,size=5)))
print ('An small example of jax sampler: \n{}'.format(random.uniform(key,shape=(5,),minval=0, maxval=1)))

data_size = 400000000
time0 = time.time()
s = np.random.uniform(low=0,high=1,size=data_size)
print ('The numpy time cost is: {}s'.format(time.time()-time0))

time1 = time.time()
v = random.uniform(key,shape=(data_size,),minval=0, maxval=1)
print ('The jax time cost is: {}s'.format(time.time()-time1))

执行结果如下：

An small example of numpy sampler:
[0.33654613 0.20267496 0.86859762 0.14940831 0.30321738]
An small example of jax sampler:
[0.57450044 0.09968603 0.39316022 0.8941783  0.59656656]
The numpy time cost is: 3.6664984226226807s
The jax time cost is: 0.10985755920410156s

同样是在生成双精度浮点数的情况下，我们可预期的GPU的速率在数据长度足够大的情况下一定是会更快的，这个运算结果也佐证了这个说法。

总结概要

关于工业领域中可能使用到的随机采样，更多的是这样的一个场景：给定一个连续或者离散的分布，然后进行大规模的连续采样，采样的同时需要对每一个得到的样点进行分析打分，最终在这大规模的采样过程中，有可能被使用到的样品可能只有其中的几份。那么这样的一个抽象问题，就非常适合使用分布式的多GPU硬件架构来实现。

版权声明

本文首发链接为：https://www.cnblogs.com/dechinphy/p/sampler.html

作者ID：DechinPhy

更多原著文章请参考：https://www.cnblogs.com/dechinphy/

打赏专用链接：https://www.cnblogs.com/dechinphy/gallery/image/379634.html

腾讯云专栏同步：https://cloud.tencent.com/developer/column/91958