CUDA 排序¶

Accelerate 提供了在 CUDA GPU 上对数组进行排序的例程。

排序大数组¶

accelerate.cuda.sorting.RadixSort建议使用该类对数字类型的大型（大约超过 100 万个项目）数组进行排序。

类accelerate.cuda.sorting.RadixSort（MAXCOUNT，D型细胞，降=假，流= 0 ）¶

提供基数排序和基数选择。

此处实现的算法最适合大型数组 ( )，因为它使用多个内核启动引入了延迟。建议改为用于较小阵列的批次。N > 1e6segmented_sort

参数：	maxcount ( int ) – 要排序的最大项目数 D型（numpy.dtype） -元素类型排序降序( bool ) – 按降序排序？流– 运行内核的 CUDA 流

argselect( k , keys , begin_bit=0 , end_bit=None ) ¶

类似于RadixSort.select但返回新的排序索引。

参数：	键（numpy.ndarray）– 就地排序的键 begin_bit ( int ) – 要排序的第一位 end_bit ( int ) – 可选。最后一点排序
返回：	将新排序指示为 CUDA 设备或主机上的数组的索引。

argsort(键, begin_bit=0 , end_bit=None ) ¶

类似于RadixSort.sort但返回新的排序索引。

参数：	键（numpy.ndarray）– 就地排序的键 begin_bit ( int ) – 要排序的第一位 end_bit ( int ) – 可选。最后一点排序
返回：	将新排序指示为 CUDA 设备或主机上的数组的索引。

close( ) ¶

显式释放内部资源

删除对象时自动调用。

init_arg(大小) ¶

使用从零开始的升序整数初始化 uint32 的空 CUDA ndarray

参数：	size ( int ) – 输出数组的元素数
返回：	带有值的数组 `[0, 1, 2, ...m size - 1 ]`

select( k , keys , vals=None , begin_bit=0 , end_bit=None ) ¶

在上执行就地 k-select keys。

内存传输是自动执行的。

参数：	键（numpy.ndarray）– 就地排序的键 vals ( numpy.ndarray ) – 可选。要沿排序重新排序的其他值。它被修改到位。`uint32`此版本仅支持 dtype。 begin_bit ( int ) – 要排序的第一位 end_bit ( int ) – 可选。最后一点排序

sort(键, vals=None , begin_bit=0 , end_bit=None ) ¶

对执行就地排序keys。内存传输是自动执行的。

参数：	键（numpy.ndarray）– 就地排序的键 vals ( numpy.ndarray ) – 可选。要沿排序重新排序的其他值。它被修改到位。`uint32`此版本仅支持 dtype。 begin_bit ( int ) – 要排序的第一位 end_bit ( int ) – 可选。最后一点排序

使用accelerate.cuda.sorting.RadixSort小（大约不到1万件）阵列有显著的开销，由于多内核启动。更好的选择是使用 accelerate.cuda.sorting.segmented_sort()which 启动单个内核来对一批许多小数组进行排序。

accelerate.cuda.sorting.segmented_sort(键, vals ,段,流=0 ) ¶

对小段 (N < 1e6) 执行就地排序。

参数：	键（numpy.ndarray）– 就地排序的键。 vals ( numpy.ndarray ) – 要沿排序就地重新排序的值。`uint32`此实现仅支持 dtype。段（numpy.ndarray）– 段分离位置。例如，对于, , , 的段。`array([3, 6, 8])keys[:3]keys[3:6]keys[6:8]keys[8:]` 流- 可选。在其中执行内核的 cuda 流。