我有一个关于使用 Continuum 的 Accelerate 和 numba 包中的 Python CUDA 库的问题。正在使用装饰器@jit与 target = gpu同 @cuda.jit ?
最佳答案
不，它们不一样，尽管最终编译到 PTX 到汇编程序的路径是。 @jit装饰器是通用编译器路径，可以选择将其引导到 CUDA 设备上。 @cuda.jit装饰器实际上是 Continuum Analytics 开发的低级 Python CUDA 内核方言。因此，您可以获得对 CUDA 内置变量的支持，例如 threadIdx和内存空间说明符，如 __shared__在 @cuda.jit .
如果你想用 Python 编写一个 CUDA 内核并编译和运行它，使用 @cuda.jit .否则，如果您想加速现有的 Python 片段，请使用 @jit带有 CUDA 目标。
关于cuda - @cuda.jit 和 @jit(target ='gpu') 的区别，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/35890045/