有一点我非常感激，那就是能够在 python 中命名数组中的维度。例如，我有一个 3 维的 numpy 数组，我经常需要沿着特定的维度对其进行求和。
所以我可以用 ndarray 来做a：
sum(a, axis=2)
如果我的相关维度是最后一个，但我想让它“位置无关”，即用户可以提供任何数组，只要他指定“此维度是“DI””（例如，对于“感兴趣的维度” ）。所以基本上我希望能够写：
sum(a, axis="DI")
接近 NETCDF，但我不想实现整个 netcdf 功能。
我有一个 NVIDIA GT650M，具有以下属性：
( 2) Multiprocessors, (192) CUDA Cores/MP: 384 CUDA Cores
Maximum number of threads per multiprocessor: 2048
我刚刚摆脱了流式多处理器 (SM) 和实际多处理器之间的混淆。SM 和多处理器是不同的东西，对吧？例如，使用可视化分析器，我有一个虚拟内核，当以 1 个线程的 1 个块启动时，它只等待并持续 370 毫秒。我可以用一个 SM 用 4 个 1024 个线程块启动它，它仍然持续 370 毫秒。这是正常的，因为任务使用芯片的 2 个多处理器，每个使用 2048 个并发线程（我一使用 5 个块 x 1024，就需要 740 毫秒，正常）。同样，我可以使用 4 个 SM 并发启动 1024 个线程块的 4 次，它仍然需要 370 毫秒，好吧。
问题的第一部分只是为了确保我们不应该混淆 SM 和多处理器？就像我有时甚至在像这里这样的答案中看到的一样：CUDA - Multiprocessors, Warp size and Maximum Threads Per Block：确切的关系是什么？ 因此，人们无法通过多处理器显式控制任务的调度方式，因为（据我所知）没有运行时函数允许它，对吗？那么，如果我的卡有 2 个多处理器，每个多处理器有 2048 个线程，或者另一个有 4 个多处理器，每个有 1024 个线程，给定的程序会以相同的方式执行吗？
其次，我想知道哪种用途更好，拥有更多内核较少的多处理器，还是相反？到目前为止，我的理解让我说，内核较少的更多多处理器（对于每个多处理器给定的最大线程）将更适合具有较少/简单操作的更大规模并行，而每个多处理器有更多内核（现在我正在谈论我几乎不知道的事情）将有更多专用 …