#Cupyについて

pythonで行列計算をする場合は通常CPUで計算するNumpyを使いますが、行列数が多い場合はGPUで計算ができるCupyが便利です。
GPUはコア数が圧倒的の多いので場合によっては数倍～数百倍で計算できることがあります。
参考：CupyとNumpyのパフォーマンスを比較してみた

Cupyは元々DeeplearningのフレームワークのChainerの一部でしたが、Chainerのv2よりCupyが分離されました。
簡単なコードで手軽にGPU行列計算ができるので、物理シミュレーションなどにも使ってみるとよいかもしれません。

#環境
現状linuxの方が簡単にインストールできると思いますが、Windowsでも動かないわけではありません。
（公式にはサポートされてないですし、どうも動かないときは動かないです。。）
　※2018/4/27追記:今後cupy v5ではwindowsがサポートされいるかもしれません。
　https://www.slideshare.net/pfi/cupy-v4-and-v5-roadmap

　※2018/5/25追記:cupy v5.0.0b1よりwindowsにおけるwheelでのインストールが試験的に始まりました。
　　cudaのバージョンに合わせて以下のようにインストールが試せます

pip install cupy-cuda80
pip install cupy-cuda90
pip install cupy-cuda91

とりあえず、今回のテスト環境は以下で行いました。

Windows 10 Professional
CPU:Core i5-6600（3.9GHz、4コア）
GPU:GeForce GTX 1070(1.8GHz、1920コア）
Visual C++ Build Tools
CUDA Toolkit 8.0 (8.0.44)
cuDNN 6.0
Anaconda3 5.1 (Python 3.6)
Cupy 4.0.0

#簡単な使い方

使い方は簡単で、下のようにnumpyと同じようにcupyを使うだけで行列の足し算や積などいろいろできます。
ただし、numpyで使われる一部の関数はcupyで使えないものもあるのでcupyの公式ドキュメントを参照してみてください。

以下のソースはこちら

###配列の生成

import cupy as cp
A = cp.arange(9).reshape(3, 3).astype('f') #cupy上で3*3の行列を生成
B = cp.arange(9).reshape(3, 3).astype('f') #cupy上で3*3の行列を生成
print('A = \n', A)
print('B = \n', B)

-----------
A = 
 [[0. 1. 2.]
 [3. 4. 5.]
 [6. 7. 8.]]

B = 
 [[0. 1. 2.]
 [3. 4. 5.]
 [6. 7. 8.]]

###行列の和、積

C = A + B #行列の和
print('和：A + B = \n', C)

D = cp.dot(A, B) #行列の積
print('積：A・B = \n', D)

-----------
和：A + B = 
 [[ 0.  2.  4.]
 [ 6.  8. 10.]
 [12. 14. 16.]]

積：A・B = 
 [[ 15.  18.  21.]
 [ 42.  54.  66.]
 [ 69.  90. 111.]]

###numpyの配列 ⇔ cupyの配列の変換
cupyで定義した配列はGPU上にあるので、そのままだと他のライブラリで使えないことが多いです。
また、逆にnumpyの配列をcupyの配列に変換して、GPU上で計算したいこともよくあります。

numpy配列とcupy配列の変換は「cupy」の関数
・cupy ⇒ numpy配列へ変換：cupy.asnumpy
・numpy ⇒ cupy配列へ変換：cupy.asarray
を使うとできます。

E = cp.arange(9).reshape(3, 3).astype('f') #cupyで生成するとcupy配列
print('「E」のクラスは', type(E)) 

E_np = cp.asnumpy(E) #cupy ⇒ numpy配列へ変換
print('「E_np」のクラスは', type(E_np))

E_cp = cp.asarray(E_np) #numpy ⇒ cupy配列へ変換
print('「E_cp」のクラスは', type(E_cp))

-----------
「E」のクラスは <class 'cupy.core.core.ndarray'>
「E_np」のクラスは <class 'numpy.ndarray'>
「E_cp」のクラスは <class 'cupy.core.core.ndarray'>

#2次元フーリエ変換
Cupy v4より2次元フーリエ変換も使えるようになりました。

numpyでの2次元FFTの参考：
Pythonで画像処理（2次元FFTとパワースペクトル）

以下のソースと結果はこちら

下の図のような【元画像 ⇒ フーリエ変換 ⇒ フーリエ逆変換】を

こんなかんじで簡単にできます。

cp_fimg = cp.fft.fftshift(cp.fft.fft2(cp_img))#フーリエ変換＋シフト
cp_ffimg = cp.fft.ifft2(cp.fft.ifftshift(cp_fimg))#シフト＋フーリエ逆変換
#（一部略）

4096*4096pixのモノクロ画像を10回計算した時間は

numpy：30.4 s
cupy：34.1 ms
と非常に高速になっていました。