R 的 GPU 運算－ gpuR

利用 gpu 加速運算，是機器學習領域最近發展的風潮，也可以說是機器學習在近年得以發展的基礎。小編對模型進行 simulation 時，往往也需要花費大量的運算時間，最近進行的研究，即使透過平行運算 Parallel 在8核心全開的加速情況下，也需要兩個星期以上的運算時間。所以除了回去重新改寫程式讓計算更有效率，另外便是開始尋找 R 是否也有支援 gpu 運算的套件，結果發現 gpuR 這個套件，安裝過程簡單，並且能有效降低運算時間，介紹給大家使用。這篇在介紹如何安裝、示範如何使用，及加速的時間。

R 套件: gpuR

gpuR 其中強大的部分為不局限於特別的 gpu 品牌。許多支援 gpu 運算的套件，因為引用 CUDA，所以綁定只能使用 NVIDIA。而 gpuR 引用 OpenCL 讓其他廠牌的 gpu 也得以使用該套件。gpuR 沿用 R 的矩陣運算，將矩陣傳換成 gpuMatrix 的格式，再進行運算透過 gpu 加速。

安裝

1. 安裝該顯卡廠商的 OpenCL SDK。(NVIDIA, AMD)
2. 下載 OpenCL headrs
3. 安裝 Rtools
4. 設定系統環境變數 OPENCL_INC 和 OPENCL_LIB32/OPENCL_LIB64 分別為 OpenCL headers 與OpenCL library(OpenCL.dll)

完成上述步驟後，就可以和安裝一般套件一樣在 R console 安裝套件

install.packages('gpuR')

R 實作

安裝完 gpuR 後，在 R 中使用 gpu 的方式也相當簡單。可以直接宣告 gpu 的 vector, matrix，或將已經存在的 vector, matrix 轉換成 gpu 格式。轉換成 gpu 格式之後的運算就是 gpu 的矩陣運算。

library(pryr)
library(gpuR)

# verify you have volid GPUs
detectGPUs()

# gpuVector and gpuMatrix two ways to create gpu vector and matrix

A <- seq.int(from=0, to=999)
gpuA <- gpuVector(A)
gpuB <- gpuMatrix(rnorm(16), nrow=4, ncol=4)

接著我們試著創造 1000*1000 的兩個矩陣，對兩個矩陣做 inner product，重複動作100次，計算 cpu, gpu 所需時間。

# CPU version
ptm <- proc.time()
for(i in 1:100){
  ORDER = 1000
  A = matrix(rnorm(ORDER^2), nrow=ORDER)
  B = matrix(rnorm(ORDER^2), nrow=ORDER)
  A %*% B
}
proc.time() - ptm

# GPU version
ptm <- proc.time()
for(i in 1:100){
  ORDER = 1000
  A = matrix(rnorm(ORDER^2), nrow=ORDER)
  B = matrix(rnorm(ORDER^2), nrow=ORDER)
  gpuA = gpuMatrix(A, type="double")
  gpuB = gpuMatrix(B, type="double")
  gpuA %*% gpuB
}
proc.time() - ptm

在小編的電腦，cpu 運行的時間是 61.34 秒，gpu 運行的時間是 30.86 秒。使用 gpu 運算有效降低 50% 的計算時間。

結論

透過 gpu 運算能有效地降低計算的時間，而且使用方式也不複雜，也不指定 N 家的顯卡，推薦給大家使用。最後因為明天是情人節了，想跟各位 R user 分享一點關於 R 與數學浪漫的故事，在 R console 執行下面程式碼就會得到浪漫的結果喔。

x <- seq(-2,2,0.001)
x <- as.complex(x)
y <- (sqrt(cos(x))*cos(200*x)+sqrt(abs(x))-0.7)*(4-x*x)^0.01
plot(x,y,type = "l", col= "red", main = "Happy Valentine")