那天晚上十一點多，我們組的小李在公司跑一堆數據預處理，邊等邊罵：“這 NumPy 也太慢了吧，CPU 烤得跟火爐一樣。” 我就說：“你咋不用 CuPy 啊？GPU 跑數值計算，動不動快十倍。” 他愣住了，說他還真沒玩過。于是我直接在他電腦上給演示了一把。

NumPy：老牌工具，但 CPU 吃力

NumPy 基本上是 Python 里搞科學計算的標配，矩陣、向量、隨機數幾乎都靠它。但是它只能跑在 CPU 上，要是矩陣一大，哪怕多核 CPU 也得等半天。

比如隨便測一測 2000×2000 的矩陣相乘：

我那臺 8 核 CPU，大概要 5 秒多才能出結果。

CuPy：幾乎無縫的 GPU 加速

CuPy 的妙處就在于，它和 NumPy 的 API 基本一模一樣，很多時候你只要把 import numpy as np 換成 import cupy as cp 就能跑。

同樣的矩陣，用一張 RTX 3060 算下來，不到 0.5 秒。小李當場就驚了：“臥槽，這不是快十

CPU vs GPU 性能對比

為了更直觀，我還拉了個小表出來（環境：i7-10750H + RTX 3060）：

能看到一個規律：矩陣越大，GPU 越能發揮優勢；小規模時，CPU 反而沒差多少，甚至有時候更快（因為 GPU 數據拷貝有開銷）。

什么時候值得用 CuPy

不是所有場景都需要上 GPU，這點我也跟小李說清楚：

• 大規模矩陣計算：比如金融風險模型、科學模擬。
• 深度學習前處理：數據歸一化、特征處理。
• 高頻迭代實驗：比如蒙特卡洛模擬。

要是你平時只是在做小數組的加減乘除，還是老老實實用 NumPy 就夠了。

最后小李當場決定把腳本全改成 CuPy，笑說：“早知道有這玩意兒，我這周就不用天天在電腦前干等了。”

以上就是“如何用 Python 優雅地編寫 LaTeX？”的詳細內容，想要了解更多Python教程歡迎持續關注編程學習網。