来自：http://deeplearning.net/software/theano/tutorial/gpu_data_convert.html

PyCUDA/CUDAMat/Gnumpy compatibility

一、PyCUDA

当前，PyCUDA 和Theano使用不同的对象来存储GPU数据。这两种实现支持的是不同的特征集。 Theano的实现是叫做CudaNdarray ，并且支持strides。 同时只支持float32 dtype。 PyCUDA的实现叫做 GPUArray 而且不支持strides。 然而，它可以处理所有的NumPy 和CUDA dtypes。

我们现在来介绍下如何工作在这两个都有的基对象上，而且也在模仿NumPy。下面有一些资料关于如何在同一个脚本中使用这两个对象。

1.1 迁移

你可以使用 theano.misc.pycuda_utils 模块来对
GPUArray和CudaNdarray之间进行转换。函数 to_cudandarray(x,copyif=False) 和 to_gpuarray(x) 返回一个新的对象，该对象占据着和原始对象同一块内存空间。不过它会抛出一个值错误（ValueError）的异常。因为GPUArrays不支持strides，如果CudaNdarray
是strided，那么我们需要对它进行non-strided复制。生成的GPUArray不会在共享同一片内存区域。如果你想要这种行为，那么可以在to_gpuarray中设置 copyif=True 。

1.2 用PyCUDA 来编译

你可以使用 PyCUDA来编译直接工作在CudaNdarrays上的
CUDA 函数。这里是来自文件theano/misc/tests/test_pycuda_theano_simple.py中的例子：

import sys

import numpy

import theano

import theano.sandbox.cuda as cuda_ndarray

import theano.misc.pycuda_init

import pycuda

import pycuda.driver as drv

import pycuda.gpuarray

def test_pycuda_theano():

    """Simple example with pycuda function and Theano CudaNdarray object."""

    from pycuda.compiler import SourceModule

    mod = SourceModule("""

__global__ void multiply_them(float *dest, float *a, float *b)

{

  const int i = threadIdx.x;

  dest[i] = a[i] * b[i];

}

""")

    multiply_them = mod.get_function("multiply_them")

    a = numpy.random.randn(100).astype(numpy.float32)

    b = numpy.random.randn(100).astype(numpy.float32)

    # Test with Theano object

    ga = cuda_ndarray.CudaNdarray(a)

    gb = cuda_ndarray.CudaNdarray(b)

    dest = cuda_ndarray.CudaNdarray.zeros(a.shape)

    multiply_them(dest, ga, gb,

                  block=(400, 1, 1), grid=(1, 1))

    assert (numpy.asarray(dest) == a * b).all()

1.3 Theano 操作，使用一个PyCUDA函数

你可以在theano op中使用 用PyCUDA编译好的GPU函数：

import numpy, theano

import theano.misc.pycuda_init

from pycuda.compiler import SourceModule

import theano.sandbox.cuda as cuda

class PyCUDADoubleOp(theano.Op):

    def __eq__(self, other):

        return type(self) == type(other)

    def __hash__(self):

        return hash(type(self))

    def __str__(self):

        return self.__class__.__name__

    def make_node(self, inp):

        inp = cuda.basic_ops.gpu_contiguous(

           cuda.basic_ops.as_cuda_ndarray_variable(inp))

        assert inp.dtype == "float32"

        return theano.Apply(self, [inp], [inp.type()])

    def make_thunk(self, node, storage_map, _, _2):

        mod = SourceModule("""

    __global__ void my_fct(float * i0, float * o0, int size) {

    int i = blockIdx.x * blockDim.x + threadIdx.x;

    if(i<size){

        o0[i] = i0[i] * 2;

    }

  }""")

        pycuda_fct = mod.get_function("my_fct")

        inputs = [ storage_map[v] for v in node.inputs]

        outputs = [ storage_map[v] for v in node.outputs]

        def thunk():

            z = outputs[0]

            if z[0] is None or z[0].shape!=inputs[0][0].shape:

                z[0] = cuda.CudaNdarray.zeros(inputs[0][0].shape)

            grid = (int(numpy.ceil(inputs[0][0].size / 512.)),1)

            pycuda_fct(inputs[0][0], z[0], numpy.intc(inputs[0][0].size),

                       block=(512, 1, 1), grid=grid)

        thunk.lazy = False

        return thunk

二、CUDAMat

这里的函数是用来在CUDAMat对象和 Theano的 CudaNdArray对象之间进行转换的。 它们遵循和theano的PyCUDA函数一样的原则，可以查阅 theano.misc.cudamat_utils.py.

WARNING: 在这些转换器上，会有一个与stride/shape相关的特殊的问题。为了能够work，需要 transpose和reshape.等操作..

三、Gnumpy

这是介于Gnumpy garray 对象和
Theano CudaNdArray 对象之间的转换函数。也同样相似于 Theano的 PyCUDA 函数，可查阅： theano.misc.gnumpy_utils.py.

参考资料：

[1] 官网：http://deeplearning.net/software/theano/tutorial/gpu_data_convert.html