比较CPU和GPU运算效率的代码

CPU（中央处理器）和GPU（图形处理器）的设计目的不同，CPU通常更注重通用计算能力，而GPU则专注于并行处理大量数据，特别是在图像和视频处理方面。它们的运算效率取决于任务的特性和硬件优化。

要在Python中比较CPU和GPU的运算效率，可以使用`numba`库，它能将部分Python代码转换为机器码，提高性能。这里是一个简单的例子，我们将使用`numba`来加速两个操作：CPU上的普通for循环和GPU上的CUDA计算：

import numba
import cupy as cp

# CPU 示例，使用 numpy
@numba.jit(nopython=True)
def cpu_dot_product(a, b):
    result = 0.0
    for i in range(len(a)):
        result += a[i] * b[i]
    return result

# GPU 示例，使用 cupy
@numba.cuda.jit
def gpu_dot_product(a, b):
    result = 0.0
    for i in range(len(a)):
        result += a[i] * b[i]
    return result

a = np.random.rand(10**6)  # 生成随机数组
b = np.random.rand(10**6)

cpu_time = time.time()
cpu_result = cpu_dot_product(a, b)
cpu_time = time.time() - cpu_time

# 如果有cuda支持
if cp.cuda.runtime.is_available():
    a_gpu = cp.array(a)
    b_gpu = cp.array(b)
    gpu_time = time.time()
    gpu_result = gpu_dot_product[1](a_gpu, b_gpu)  # 使用[1:]启用并行化
    gpu_time = time.time() - gpu_time
else:
    gpu_result = None

print(f"CPU 时间: {cpu_time:.4f} 秒, 结果: {cpu_result}")
if gpu_result is not None:
    print(f"GPU 时间: {gpu_time:.4f} 秒, 结果: {gpu_result}")