GPU 的内核比 CPU 多，因此在数据的并行计算方面，GPU 的性能比 CPU 好得多，尽管 GPU 的时钟速度较低，并且与 CPU 相比缺乏几个内核管理功能。

因此，在 GPU 上运行 python 脚本可以证明比 CPU 更快，但是，必须注意，使用 GPU 处理数据集时，数据将首先传输到 GPU 的内存，这可能需要额外的时间，所以如果数据设置很小，那么 CPU 可能比 GPU 性能更好。

代码 ：

我们将为要在 GPU 上计算的函数使用 numba.jit 装饰器。装饰器有几个参数，但我们只使用目标参数。Target 告诉 jit 为哪个源（“CPU”或“Cuda”）编译代码。“Cuda”对应GPU。但是，如果

CPU 作为参数传递，然后 jit 尝试优化代码在 CPU 上运行得更快并提高速度。

环境安装

conda install numba & conda install cudatoolkit

from numba import jit, cudaimport numpy as np# to measure exec timefrom timeit import default_timer as timer # normal function to run on cpudef func(a): for i in range(10000000):a[i]

Nvidia GPU 入门教程之 03 在 GPU 上运行 Python 脚本 对比cpu与gpu性能 检测a100性能（教程含源码）