与 numpy 和 cudamat 的矩阵乘法有完全不同的结果

Question

我正在尝试使用 numpy 和 cudamat 进行相同的矩阵乘法。

结果大相径庭

我做错了什么？

我正在使用：

Ubuntu 14.04
cuda 7.0-28
英伟达 346.46
numpy 1.9.2
Python 2.7.10
蟒蛇 2.2.0（64 位）
cudamat（2015 年 6 月 26 日最新发布）
英伟达 750Ti

这是代码：

import numpy as np
import cudamat as cm
cm.init()

...

def distance(self, X):
      gpu_W = cm.CUDAMatrix(self.W)
      gpu_X = cm.CUDAMatrix(X)
      gpu_X2 = cm.pow(gpu_X, 2).sum(axis=1)
      gpu_W2 = cm.pow(gpu_W, 2).sum(axis=1)
      prodWX = cm.dot(gpu_W, gpu_X.T)
      prodWX = prodWX.mult((-2))

      W=self.W
      prodWXgpu=prodWX.asarray()
      prodWXcpu=-2*np.dot(W, X.T)

cm.shutdown()

结果是：

都是二维数组。它们的形状是：

W (14,2) X (10000, 2)

这意味着每个单元格有两次乘法和一次加法。所以这不应该是由于累积误差

提前致谢

Answer 1

我发现了问题：cm.pow 正在修改作为参数接收的矩阵。

为了解决，我改了：

gpu_X2 = cm.pow(gpu_X, 2).sum(axis=1)
gpu_W2 = cm.pow(gpu_W, 2).sum(axis=1)

作者：

gpu_X2 = cm.empty (X.shape)
gpu_W2 = cm.empty (W.shape)

cm.pow(gpu_X, 2, target=gpu_X2)
gpu_X2 = gpu_X2.sum(axis=1)
cm.pow(gpu_W, 2, target=gpu_W2)
gpu_W2 = gpu_W2.sum(axis=1)

与 numpy 和 cudamat 的矩阵乘法有完全不同的结果

Having quite different results in matrix multiplication with numpy and cudamat

python

numpy

matrix-multiplication