معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

PyCUDA based PyTorch Extension Made Easy

ویژگی	مقدار
سیستم عامل	-
نام فایل	cutex-0.1.1
نام	cutex
نسخه کتابخانه	0.1.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Yuyao Huang
ایمیل نویسنده	huangyuyao@outlook.com
آدرس صفحه اصلی	https://github.com/tjyuyao/cutex
آدرس اینترنتی	https://pypi.org/project/cutex/
مجوز	-

<p align="center"><img src="https://github.com/tjyuyao/cutex/raw/main/logo.png" alt="Logo"></p> <h3 align="center" style="font-weight:bold"> PyCUDA based PyTorch Extension Made Easy </h3> --- In a word, `cutex` bridges PyCUDA's just-in-time compilation with PyTorch's Tensor type. ``cutex.SourceModule`` works differently compared to [PyTorch's official cuda extension guide](https://pytorch.org/tutorials/advanced/cpp_extension.html) in following ways: - **It compiles lightning fast!** Especially suitable for rapidly developing new algorithms with a jupyter kernel, so that you don't wait for importing pytorch repeatedly. - Without boilerplate cpp wrappers, **every user code goes within one python file**. - It use raw CUDA syntax so that PyTorch's c++ API is _not_ available. ``cutex.SourceModule`` works differently compared to pycuda's ``SourceModule`` in following ways: - Support efficient **multi-dimensional `torch.Tensor` access with (efficient & optional) out-of-boundary check**. - Enhanced automatic type conversion and error messages. ## Example The following example demonstrates a vanilla matrix multiplication implementation for pytorch tensor but written in pure cuda. ```python import torch import cutex M, N, K = 4, 4, 1 a = torch.rand((M, K), dtype=torch.float32).cuda() b = torch.rand((K, N), dtype=torch.float32).cuda() c = torch.empty((M, N), dtype=torch.float32).cuda() kernels = cutex.SourceModule(r""" __global__ void matmul(Tensor<float, 2> *a, Tensor<float, 2> *b, Tensor<float, 2> *c, int M, int N, int K) { int m = blockIdx.y * blockDim.y + threadIdx.y; int n = blockIdx.x * blockDim.x + threadIdx.x; float v = 0.f; if (m >= M || n >= N) return; for (int k = 0; k < K; ++k) { v += (*a)[m][k] * (*b)[k][n]; } (*c)[m][n] = v; } """, float_bits=32) kernels.matmul(a, b, c, M, N, K, grid=(N // 32 + 1, M // 32 + 1), block=(32, 32, 1)) torch.cuda.synchronize() assert torch.allclose(c, torch.mm(a, b)) ``` ## Installation ```bash pip install cutex ``` **Note:** - You should install pytorch seperately. - If you use vscode, there is a recommended [extension](https://marketplace.visualstudio.com/items?itemName=huangyuyao.pycuda-highlighter) for highlighting CUDA source in python docstring.

نیازمندی

مقدار	نام
-	pycuda

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl cutex-0.1.1:

pip install cutex-0.1.1.whl

نصب پکیج tar.gz cutex-0.1.1:

pip install cutex-0.1.1.tar.gz