Avaliação de Frameworks de HPC em Python: Uma Análise Comparativa entre NumPy, CuPy, PyTorch e Numba Usando Operações Numéricas Vetorizadas

• Marcos Eduardo Lopes Silva UNIPAMPA
• Claudio Schepke UNIPAMPA

DOI: https://doi.org/10.5753/eradrs.2026.21462

Resumo

A computação de alto desempenho (HPC) faz uso crescente de aceleradores como GPUs. Entretanto, programar diretamente em CUDA é uma tarefa trabalhosa e complexa. Python, por sua simplicidade e grande ecossistema, oferece diversas ferramentas capazes de explorar GPUs de forma transparente. Este trabalho realiza uma avaliação comparativa entre NumPy, CuPy, PyTorch e Numba, aplicando um mesmo conjunto de operações numéricas vetorizadas. Os resultados indicam que as soluções baseadas em GPU apresentam ganhos expressivos para tamanhos maiores de entrada.

Referências

Lam, S. K., Pitrou, A., and Seibert, S. (2015). Numba: a LLVM-based Python JIT compiler. In Proceedings of the Second Workshop on the LLVM Compiler Infrastructure in HPC, LLVM ’15, New York, NY, USA. Association for Computing Machinery.

Nishino, R. and Loomis, S. H. C. (2017). Cupy: A numpy-compatible library for nvidia gpu calculations. 31st confernce on neural information processing systems, 151(7).

Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G., Killeen, T., Lin, Z., Gimelshein, N., Antiga, L., Desmaison, A., Kopf, A., Yang, E., DeVito, Z., Raison, M., Tejani, A., Chilamkurthy, S., Steiner, B., Fang, L., Bai, J., and Chintala, S. (2019). PyTorch: An Imperative Style, High-Performance Deep Learning Library. In Wallach, H., Larochelle, H., Beygelzimer, A., d'Alché-Buc, F., Fox, E., and Garnett, R., editors, Advances in Neural Information Processing Systems, volume 32. Curran Associates, Inc.

Raschka, S., Patterson, J., and Nolet, C. (2020). Machine Learning in Python: Main Developments and Technology Trends in Data Science, Machine Learning, and Artificial Intelligence. Information, 11(4).