# 3.15。 CUDA 陣列接口
> 原文: [http://numba.pydata.org/numba-doc/latest/cuda/cuda_array_interface.html](http://numba.pydata.org/numba-doc/latest/cuda/cuda_array_interface.html)
_cuda 數組接口 _ 是為各種項目中類似 GPU 陣列的對象的不同實現之間的互操作性而創建的。這個想法來自 [numpy 數組接口](https://docs.scipy.org/doc/numpy-1.13.0/reference/arrays.interface.html#__array_interface__)。
注意
目前,我們只定義了 Python 端接口。將來,我們可能會添加一個 C 端接口,以便在編譯代碼中有效地交換信息。
## 3.15.1。 Python 接口規范
注意
實驗功能。規格可能會改變。
`__cuda_array_interface__`屬性是類似字典的對象,必須包含以下條目:
* **形狀**:`(integer, ...)`
> <cite>int</cite> (或 <cite>long</cite> )的元組,表示每個維度的大小。
* **typestr** : <cite>str</cite>
> 類型字符串。這與 [numpy 陣列接口](https://docs.scipy.org/doc/numpy-1.13.0/reference/arrays.interface.html#__array_interface__)中的 _typestr_ 具有相同的定義。
* **數據**:<cite>(整數,布爾值)</cite>
> **數據**是 2 元組。第一個元素數據指針為 Python <cite>int</cite> (或 <cite>long</cite> )。數據必須是設備可訪問的。第二個元素是 Python <cite>bool</cite> 的只讀標志。
>
> 因為接口的用戶可能在同一個上下文中,也可能不在同一個上下文中,最常見的情況是在 CUDA 驅動程序 API(或等效的 CUDA Runtime API)中使用`cuPointerGetAttribute`和`CU_POINTER_ATTRIBUTE_DEVICE_POINTER`來檢索設備指針可用于當前活動的上下文中。
* **版**:<cite>整數</cite>
> 要導出的接口版本的整數。目前的版本是 _0_ ,因為它仍處于試驗階段。
以下是可選條目:
* **跨步**:`None`或`(integer, ...)`
> <cite>int</cite> (或 <cite>long</cite> )的元組,表示要跳過以訪問每個維度的下一個元素的字節數。如果是`None`,則假定該數組采用 C 連續布局。
* **descr**
> 這是為了描述更復雜的類型。這遵循與 [numpy 陣列接口](https://docs.scipy.org/doc/numpy-1.13.0/reference/arrays.interface.html#__array_interface__)中相同的規范。
可以使用`cuPointerGetAttribute`或`cudaPointerGetAttributes`檢索有關數據指針的其他信息。這些信息包括:
* 擁有指針的 CUDA 上下文;
* 指針主機可訪問?
* 指針是一個托管內存?
- 1. 用戶手冊
- 1.1。 Numba 的約 5 分鐘指南
- 1.2。概述
- 1.3。安裝
- 1.4。使用@jit 編譯 Python 代碼
- 1.5。使用@generated_jit 進行靈活的專業化
- 1.6。創建 Numpy 通用函數
- 1.7。用@jitclass 編譯 python 類
- 1.8。使用@cfunc 創建 C 回調
- 1.9。提前編譯代碼
- 1.10。使用@jit 自動并行化
- 1.11。使用@stencil裝飾器
- 1.12。從 JIT 代碼 中回調到 Python 解釋器
- 1.13。性能提示
- 1.14。線程層
- 1.15。故障排除和提示
- 1.16。常見問題
- 1.17。示例
- 1.18。會談和教程
- 2. 參考手冊
- 2.1。類型和簽名
- 2.2。即時編譯
- 2.3。提前編譯
- 2.4。公用事業
- 2.5。環境變量
- 2.6。支持的 Python 功能
- 2.7。支持的 NumPy 功能
- 2.8。與 Python 語義的偏差
- 2.9。浮點陷阱
- 2.10。 Python 2.7 壽命終止計劃
- 3. 用于 CUDA GPU 的 Numba
- 3.1。概述
- 3.2。編寫 CUDA 內核
- 3.3。內存管理
- 3.4。編寫設備功能
- 3.5。 CUDA Python 中支持的 Python 功能
- 3.6。支持的原子操作
- 3.7。隨機數生成
- 3.8。設備管理
- 3.10。示例
- 3.11。使用 CUDA 模擬器 調試 CUDA Python
- 3.12。 GPU 減少
- 3.13。 CUDA Ufuncs 和廣義 Ufuncs
- 3.14。共享 CUDA 內存
- 3.15。 CUDA 陣列接口
- 3.16。 CUDA 常見問題
- 4. CUDA Python 參考
- 4.1。 CUDA 主機 API
- 4.2。 CUDA 內核 API
- 4.3。內存管理
- 5. 用于 AMD ROC GPU 的 Numba
- 5.1。概述
- 5.2。編寫 HSA 內核
- 5.3。內存管理
- 5.4。編寫設備功能
- 5.5。支持的原子操作
- 5.6。代理商
- 5.7。 ROC Ufuncs 和廣義 Ufuncs
- 5.8。示例
- 6. 擴展 Numba
- 6.1。高級擴展 API
- 6.2。低級擴展 API
- 6.3。示例:間隔類型
- 7. 開發者手冊
- 7.1。貢獻給 Numba
- 7.2。 Numba 建筑
- 7.3。多態調度
- 7.4。關于發電機的注意事項
- 7.5。關于 Numba Runtime 的注意事項
- 7.6。使用 Numba Rewrite Pass 獲得樂趣和優化
- 7.7。實時變量分析
- 7.8。上市
- 7.9。模板注釋
- 7.10。關于自定義管道的注意事項
- 7.11。環境對象
- 7.12。哈希 的注意事項
- 7.13。 Numba 項目路線圖
- 8. Numba 增強建議
- 9. 術語表