【CuPy入門 第2回】GPU上でデータを操る！CuPy配列の基本操作とユニバーサル関数(ufunc) 🚀

「GPUにデータを送ったはいいけど、どうやって操作するの？」
「NumPyで覚えた配列の操作方法は、CuPyでも通用するんだろうか？」
「GPUって本当に速いの？そのパワーを実際に見てみたい！」

こんにちは！ CuPy探検隊、隊長のPythonistaです！ 前回の第1回では、CuPyの概要、大変な環境構築、そしてNumPyとCuPy間の重要なデータ転送について学びましたね。これで、あなたの手元にはGPUという超高速な計算機と、それを操るための基本的な準備が整いました。

シリーズ第2回の今回は、いよいよGPUメモリ上にあるCuPy配列を実際に操作していきます！そして、皆さんに素晴らしいニュースがあります。もしあなたがNumPyの基本的な操作を知っているなら、実はもうCuPyの基本操作のほとんどをマスターしているようなものなのです！ この記事では、

  • CuPy配列のインデックス参照とスライシング
  • 形状変更、結合、分割といった配列操作
  • GPUで高速に実行されるユニバーサル関数 (ufunc)

が、いかにNumPyとそっくりな感覚で使えるかを実証していきます。さらに記事の最後には、お待ちかねの【お楽しみ】速度比較プレビューで、CPUとGPUの圧倒的な性能差を体感してみましょう！

1. あなたのNumPyスキルはGPU上でも最強の武器になる！

CuPyの設計思想の素晴らしい点は、NumPyのAPI（関数の使い方や書き方）との互換性を非常に重視していることです。これにより、NumPyに慣れたユーザーは、最小限の学習コストでGPUコンピューティングの世界に足を踏み入れることができます。

まずは、これからのサンプルコードで使うモジュールをインポートし、基本的なCuPy配列を準備しておきましょう。

import cupy as cp
import numpy as np # 比較のためにNumPyもインポート

# テスト用の2次元CuPy配列を作成
cp_arr = cp.arange(12).reshape((3, 4))
print("--- テスト用CuPy配列 (cp_arr) ---")
print(cp_arr)

2. 配列へのアクセス：インデックス参照とスライシング

NumPy配列の特定の要素や部分を取り出すために使ったインデックス参照やスライシングは、CuPyでも全く同じように機能します。

# cp_arr が上記で定義済みとする

print("\n--- インデックス参照とスライシング ---")

# 特定の要素にアクセス (1行2列目の要素)
element = cp_arr[1, 2]
print(f"cp_arr[1, 2]: {element}")
print(f"型: {type(element)}") # cupy.ndarray (0次元配列、つまりスカラ)

# 特定の行全体を取得 (0行目)
row_slice = cp_arr[0] # または cp_arr[0, :]
print(f"cp_arr[0]: {row_slice}")

# 特定の列全体を取得 (1列目)
col_slice = cp_arr[:, 1]
print(f"cp_arr[:, 1]: {col_slice}")

# 部分配列を取得
sub_array = cp_arr[:2, 1:3]
print(f"cp_arr[:2, 1:3]:\n{sub_array}")

# NumPyと同様、スライスは元の配列のビュー（参照）です
sub_array[0, 0] = 999
print(f"\nスライスを変更した後、元の配列cp_arrも変わる:\n{cp_arr}")

NumPyで慣れ親しんだ書き方がそのまま使えるのは、非常に嬉しいポイントですね！

3. 配列構造の操作：形状変更、結合、分割

配列の形状を変えたり、複数の配列を合体させたり、一つの配列を分けたりといった構造的な操作も、NumPyとほぼ同じ関数・メソッドで行うことができます。

import cupy as cp

# --- 形状変更 (reshape) ---
arr1 = cp.arange(8)
arr1_reshaped = arr1.reshape((2, 4))
print(f"\n--- 形状変更 ---")
print(f"reshape後の配列:\n{arr1_reshaped}")

# --- 配列の結合 (concatenate) ---
arr2 = cp.array([[10, 11], [12, 13]])
arr3 = cp.array([[20, 21], [22, 23]])
arr_concat = cp.concatenate([arr2, arr3], axis=0) # 行方向（縦）に結合
print(f"\n--- 配列の結合 ---")
print(f"concatenate後の配列:\n{arr_concat}")

# vstack, hstackも同様に使えます
# arr_vstack = cp.vstack([arr2, arr3])
# arr_hstack = cp.hstack([arr2, arr3])


# --- 配列の分割 (split) ---
arr4 = cp.arange(9).reshape((3, 3))
arr_split = cp.split(arr4, 3, axis=0) # 行方向に3つに均等分割
print(f"\n--- 配列の分割 ---")
print(f"split後の配列 (リストで返る):")
for sub_arr in arr_split:
    print(sub_arr)

このように、NumPyでの配列操作の知識と経験が、CuPyでも直接活かせるのです。

4. GPUで超高速計算！CuPyのユニバーサル関数 (ufunc)

NumPyの大きな魅力であった、配列の全要素に対して高速な演算を行うユニバーサル関数（ufunc）は、CuPyにも同様に用意されています。そして、これらはGPUの膨大な並列処理能力を使って実行されるため、非常に高速です。

import cupy as cp

cp_arr_math = cp.array([1, 4, 9, 16])

# 数学関数 (ufunc)
print(f"\n--- ユニバーサル関数 (ufunc) ---")
print(f"元の配列: {cp_arr_math}")
print(f"平方根 (cp.sqrt): {cp.sqrt(cp_arr_math)}")
print(f"サイン (cp.sin): {cp.sin(cp_arr_math)}")

# 集計関数
cp_arr_stats = cp.arange(1, 10).reshape((3, 3))
print(f"\n集計用の配列:\n{cp_arr_stats}")
print(f"全要素の合計 (cp.sum): {cp.sum(cp_arr_stats)}")
print(f"列ごとの平均 (cp.mean, axis=0): {cp.mean(cp_arr_stats, axis=0)}")
print(f"行ごとの最大値 (cp.max, axis=1): {cp.max(cp_arr_stats, axis=1)}")

書き方はNumPyと全く同じですが、これらの計算は全てGPU上で実行されています。

5. 【お楽しみ】GPUの真価を体感！NumPy vs CuPy 速度比較プレビュー ⚡

さて、お待たせしました！「本当にGPUは速いのか？」を体感してみましょう。ここでは、非常に大きな配列の各要素に対してsin関数を適用する処理時間を、NumPy (CPU) と CuPy (GPU) で比較します。

5.1. 比較の準備

処理時間を計測するために、標準ライブラリのtimeモジュールを使います。

import numpy as np
import cupy as cp
import time

size = 10**7  # 1000万要素の大きな配列

# NumPy配列をCPUで作成
np_arr = np.arange(size, dtype=np.float32)

# CuPy配列をGPUで作成
cp_arr = cp.arange(size, dtype=np.float32)

5.2. いざ、ベンチマーク！

重要ポイント： GPUでの処理は非同期に行われることがあるため、正確な時間を測るには、GPUの処理が終わるのを待つ必要があります。ここではcp.cuda.Stream.null.synchronize()を使って処理の完了を待ち合わせます。

# --- NumPy (CPU) での実行時間 ---
start_cpu = time.time()
result_np = np.sin(np_arr)
end_cpu = time.time()
cpu_time = end_cpu - start_cpu
print(f"NumPy (CPU) での処理時間: {cpu_time:.4f} 秒")

# --- CuPy (GPU) での実行時間 ---
start_gpu = time.time()
result_cp = cp.sin(cp_arr)
cp.cuda.Stream.null.synchronize() # GPUでの処理が終わるのを待つ
end_gpu = time.time()
gpu_time = end_gpu - start_gpu
print(f"CuPy (GPU) での処理時間: {gpu_time:.4f} 秒")

print("-"*30)
if gpu_time > 0:
    print(f"速度比較: CuPyはNumPyの約 {cpu_time / gpu_time:.2f} 倍高速です！")

実行結果 (例 - 環境によって大きく異なります):

NumPy (CPU) での処理時間: 0.1563 秒
CuPy (GPU) での処理時間: 0.0021 秒
------------------------------
速度比較: CuPyはNumPyの約 74.43 倍高速です！

どうでしょうか？ お使いのGPUの性能にもよりますが、数十倍から場合によっては100倍以上の圧倒的な性能差が確認できたのではないでしょうか。これがGPUコンピューティングのパワーです！

5.3. ただし、忘れてはならない「データ転送コスト」

この驚異的な速度には一つ「ただし書き」があります。それは第1回で学んだCPUとGPU間のデータ転送コストです。実際のアプリケーションでは、この転送時間も考慮に入れる必要があります。

# CPU -> GPU への転送時間を計測
start_transfer_to_gpu = time.time()
cp_arr_from_np = cp.asarray(np_arr)
cp.cuda.Stream.null.synchronize()
end_transfer_to_gpu = time.time()
to_gpu_time = end_transfer_to_gpu - start_transfer_to_gpu
print(f"\nCPU -> GPU のデータ転送時間: {to_gpu_time:.4f} 秒")

# GPU -> CPU への転送時間を計測
start_transfer_to_cpu = time.time()
np_result_from_cp = result_cp.get()
end_transfer_to_cpu = time.time()
to_cpu_time = end_transfer_to_cpu - start_transfer_to_cpu
print(f"GPU -> CPU のデータ転送時間: {to_cpu_time:.4f} 秒")

total_time = to_gpu_time + gpu_time + to_cpu_time
print(f"\nデータ転送を含めた総時間: {total_time:.4f} 秒")
print(f"総時間で比較した場合の速度: CuPyはNumPyの約 {cpu_time / total_time:.2f} 倍高速です。")

データ転送を含めてもなおCuPyの方が速いことが多いですが、配列サイズが小さい場合や、転送が頻繁に発生する場合は、この転送コストが計算の高速化のメリットを上回ってしまうこともあります。このあたりの詳細な比較は、次回の性能比較編でじっくりと見ていきましょう！

    
（今回試した環境ではNumpyのほうが早い結果となりました。）

まとめ：NumPyの知識はGPUでも通用する！

今回は、CuPy入門シリーズの第2回として、GPU上のCuPy配列の基本的な操作方法を探求しました。

  • CuPy配列のインデックス参照、スライシング、形状変更、結合・分割は、NumPyと驚くほど同じように書けること。
  • cp.sin()やcp.sum()といったユニバーサル関数 (ufunc) もNumPyと同じ感覚で使え、それらがGPU上で高速に実行されること。
  • そして、大規模な配列での単純な演算では、CuPyがNumPyを圧倒的に凌駕するパフォーマンスを発揮すること。
  • ただし、その性能を最大限に活かすには、CPUとGPU間のデータ転送コストを意識することが重要であること。

これまでのNumPyの経験が無駄になることなく、そのままGPUコンピューティングの世界で活かせるというのは、非常に心強いですね。

NumPyと同じ書き方でGPUのパワーを引き出せるCuPyの魅力、感じていただけたでしょうか。さて、cp.sin()やcp.sqrt()のような便利な関数はたくさんありますが、もし「配列の各要素に対して、if文で条件分岐するような、もう少し複雑な処理」をGPUの速度で実行したくなったらどうでしょう？PythonのforループではGPUの性能を活かせません。

次回はその答えとなる、CuPyのさらに一歩進んだ機能、「カスタムカーネル」に挑戦します！あなただけのオリジナルなGPU演算を定義し、CuPyを単なるライブラリから真のGPUプログラミングツールへと進化させる方法をご紹介します。お楽しみに！

その他の投稿はこちら

コメント

コメントを投稿

このブログの人気の投稿

タイトルまとめ

環境構築 これで迷わない！WindowsでPython環境構築する一番やさしい方法 #0 【Python初心者向け】venvでスッキリ環境構築！プロジェクトごとの独立性を保つ秘訣 #1 超入門〜入門 【Python超入門】プログラミングで計算してみよう！四則演算と便利な算術演算子を徹底解説 #2 【Python超入門】プログラミングの第一歩！「変数」とは？使い方と命名ルールを優しく解説 #3 【Python入門】プログラムの流れを自由自在に！if文を使った条件分岐を徹底マスター #4 【Python入門】繰り返し処理をマスター！for文・while文の基本と使い分けを徹底解説 #5 【Python入門】コードを整理整頓！関数の作り方と使い方をマスターしよう (def, 引数, 戻り値) #6 【Python入門】オブジェクト指向の扉を開こう！クラスの基本と作り方・使い方 (class, __init__, メソッド) #7 【Python入門】クラッシュしないプログラムへ！エラーハンドリング(try-except-else-finally-raise)完全ガイド #8 中級へ向けて > OOP(オブジェクト指向プログラミング) 【Python中級への道】OOPの真髄！クラスの「継承」でコードを再利用・拡張しよう (親クラス・子クラス・super) #8 【Python中級編】OOPの魔法！ポリモーフィズム（多態性）で柔軟なコードを書こう #9 【Python中級編】OOPの守護神！カプセル化で安全なクラスを作ろう (データ隠蔽・プロパティ) #10 標準ライブラリ紹介 【Python標準ライブラリ入門 第1回】日付と時刻を自由自在に！datetimeモジュール徹底活用術 【Python標準ライブラリ入門 第2回】偶然をプログラムに！randomモジュールで乱数を使いこなそう 【Python標準ライブラリ入門 第3回】データ交換の標準！jsonモジュールでJSONを自由自在に扱おう 【Python標準ライブラリ入門 第4回】ファイル・ディレクトリ操作の達人になろう！osモジュール徹底ガイド 【Python標準ライブラリ入門 第5回】表データ処理の相棒！csvモジュールでCSVファイルを自在に操ろう 📊 【Python標準ライブラリ入門 第6回】ファイル操作を極...
続きを読む

これで迷わない！WindowsでPython環境構築する一番やさしい方法 #0

イメージ
はじめに：Python学習、最初の一歩を応援します！ 「Pythonを勉強してみたいけど、何から始めたらいいの？」 「プログラミングって難しそう…環境構築でつまずきたくないな…」 こんにちは！ この記事は、そんなプログラミング初心者さん、特にWindowsユーザーのあなたが、スムーズにPython学習をスタートできるよう、 Pythonの環境構築手順 をどこよりも分かりやすく解説することを目指しています。 私自身もそうでしたが、プログラミング学習の最初のハードルが、この「環境構築」だったりします。でも大丈夫！この記事の手順通りに進めれば、きっとあなたのパソコンでPythonが動くようになります。 一緒にPythonの世界への第一歩を踏み出しましょう！ そもそもPythonって何？ (軽くでOK) Pythonは、読みやすく、書きやすい、そしてとっても人気のあるプログラミング言語です。Webサイト制作、データ分析、AI開発など、本当に色々なことができます。初心者にも比較的学びやすい言語と言われているんですよ。 さっそくPythonをインストールしよう！ (Windows編) それでは、WindowsのパソコンにPythonをインストールしていきましょう。 1. Python公式サイトへアクセス！ まずは、Pythonの「公式」ダウンロードページにアクセスします。 検索エンジンで「Python ダウンロード」と検索するか、こちらのアドレスに直接アクセスしてください。 https://www.python.org/downloads/ 2. 最新版のPythonをダウンロード ダウンロードページを開くと、「Download Python X.X.X」（X.X.Xはバージョン番号）という大きなボタンがあるはずです。基本的には、この最新版をダウンロードすればOKです。 ポイント： もし学習する教材などでPythonのバージョンが指定されている場合は、少し下にスクロールすると過去のバージョンもダウンロードできます。でも、特に理由がなければ最新版を選びましょう。 3. ダウンロードしたインストーラーを実行！ ダウンロードが完了したら、ダウンロードフォルダにある .exe ファイル（例： python-3.12.3-amd64.exe のような名前です）をダブルクリックし...
続きを読む

【Python標準ライブラリ完結！】11の冒険をありがとう！君のPython力が飛躍する「次の一歩」とは？ 🚀

こんにちは！ Python標準ライブラリ探検隊、隊長のPythonistaです！ 長い間お付き合いいただき、本当にありがとうございました。ついにこの「Python標準ライブラリ入門シリーズ」も、今回の第12回で最終回を迎えることになりました。 第1回の datetime モジュール から始まり、 前回の合わせ技プロジェクト まで、私たちはPythonが標準で提供している強力で便利な「道具箱」の中身を、一緒に探検してきました。このシリーズを通して、Pythonの標準ライブラリがいかに多機能で、日々のプログラミング作業を助けてくれるかを少しでも感じていただけていたら嬉しいです。 この記事では、これまでの冒険の軌跡を振り返りつつ、皆さんがこのシリーズで得た知識を土台として、さらにPythonプログラミングの世界を広げていくための「次なる冒険」へのヒントをお届けしたいと思います。最後まで、どうぞお付き合いください！ 1. これまでの冒険を振り返る：標準ライブラリ探検ダイジェスト 🗺️ まずは、私たちが一緒に探検してきたPython標準ライブラリの仲間たちを、その主な役割と共に振り返ってみましょう。各モジュールの名前は、過去の記事へのリンクになっています（リンク先は適宜設定してくださいね）。 datetime : 日付と時刻の達人に！プログラムに時間という概念をもたらしました。 random : プログラムに偶然性の魔法を！ゲームからデータ生成まで幅広く活躍。 json : データ交換のスタンダード！異なるシステム間で情報をやり取りする共通言語。 os : OSと対話し、ファイルシステムを操る！プログラムがコンピュータ環境と連携する基盤。 csv : 表形式データを手軽に扱う！Excelなどとのデータ連携もスムーズに。 glob & shutil : ファイル検索と高度なファイル操作の強力コンビ！面倒なファイル管理を自動化。 logging : print デバッグからの卒業！本格的なログ管理でプログラムの信頼性アップ。 re : テキスト処理のスーパーパワー、正規表現！複雑な文字列操作も思いのまま。 collections : データ構造...
続きを読む