Warum GPU-Beschleunigung sinnvoll ist

In diesem Notebook demonstrieren wir die Beschleunigung durch GPU-Beschleunigung anhand eines Gaußschen Weichzeichnungsfilters. Wir verwenden die clEsperanto Bibliothek, die OpenCL nutzt und mit einer Vielzahl von Intel-, AMD- und NVidia-GPUs kompatibel ist. Fühlen Sie sich frei, es auf Ihrer GPU auszuführen und die Beschleunigung zu messen!

Siehe auch

• clEsperanto Benchmarking-Notebooks

• cupy

• cucim

Hinweis: Benchmarking-Ergebnisse variieren stark in Abhängigkeit von Bildgröße, Kernelgröße, verwendeten Operationen, Parametern und verwendeter Hardware. Verwenden Sie dieses Notebook, um es an Ihr Anwendungsszenario anzupassen und auf Ihrer Zielhardware zu benchmarken. Wenn Sie unterschiedliche Szenarien oder Anwendungsfälle haben, sind Sie herzlich eingeladen, Ihr Notebook als Pull-Request einzureichen!

import pyclesperanto_prototype as cle
from skimage import filters
import time

# to measure kernel execution duration properly, we need to set this flag. It will slow down exection of workflows a bit though
cle.set_wait_for_kernel_finish(True)

# selet a GPU with the following in the name. This will fallback to any other GPU if none with this name is found
cle.select_device('RTX')

<GeForce RTX 2080 Ti on Platform: NVIDIA CUDA (1 refs)>

# test data
import numpy as np

from skimage.io import imread
test_image = imread('Lund_000500_resampled-cropped.tif')

sigma = 10

# convolve with scikit-image
result_image = None

for i in range(0, 10):
    start_time = time.time()
    result_image = filters.gaussian(test_image, output=result_image, sigma=sigma)
    print("skimage Gaussian duration: " + str(time.time() - start_time))
    

skimage Gaussian duration: 0.644662618637085
skimage Gaussian duration: 0.63631272315979
skimage Gaussian duration: 0.6193966865539551
skimage Gaussian duration: 0.6499156951904297
skimage Gaussian duration: 0.6301307678222656
skimage Gaussian duration: 0.6531178951263428
skimage Gaussian duration: 0.6489198207855225
skimage Gaussian duration: 0.6308994293212891
skimage Gaussian duration: 0.7410404682159424
skimage Gaussian duration: 0.8148434162139893

# convolve with pyclesperanto
result_image_gpu = None

test_image_gpu = cle.push(test_image)

for i in range(0, 10):
    start_time = time.time()
    result_image_gpu = cle.gaussian_blur(test_image_gpu, result_image_gpu, sigma_x=sigma, sigma_y=sigma, sigma_z=sigma)
    print("pyclesperanto Gaussian duration: " + str(time.time() - start_time))

pyclesperanto Gaussian duration: 0.026170730590820312
pyclesperanto Gaussian duration: 0.002056121826171875
pyclesperanto Gaussian duration: 0.015659093856811523
pyclesperanto Gaussian duration: 0.019225597381591797
pyclesperanto Gaussian duration: 0.01566314697265625
pyclesperanto Gaussian duration: 0.015616178512573242
pyclesperanto Gaussian duration: 0.01566910743713379
pyclesperanto Gaussian duration: 0.015576839447021484
pyclesperanto Gaussian duration: 0.01562190055847168
pyclesperanto Gaussian duration: 0.023794889450073242

Überprüfen wir kurz, ob die Ergebnisse ähnlich aussehen

import napari

viewer = napari.Viewer()
napari.run()

viewer.add_image(test_image)
viewer.add_image(result_image)
viewer.add_image(result_image_gpu)

<Image layer 'result_image_gpu' at 0x1d3b659c460>

napari.utils.nbscreenshot(viewer)