Numbast 架起 CUDA C++ 和 Python 生态系统的桥梁

根据 NVIDIA 技术博客的介绍，随着 Numbast 的推出，Python 开发者与 CUDA C++ 生态系统之间的技术差距将显著缩小。这个创新工具能自动将 CUDA C++ API 转换为 Numba 绑定，增强了 Python 开发者可访问的性能能力。

弥合差距

Numba 长期以来使 Python 开发者能够使用类似 C++ 的语法编写 CUDA 核心代码。然而，大量仅属于 CUDA C++ 的库，如 CUDA 核心计算库和 cuRAND，仍旧无法为 Python 用户所用。手动将每个库绑定到 Python 是一个繁琐且容易出错的过程。

介绍 Numbast

Numbast 通过建立自动化管道解决了这个问题，该管道可以从 CUDA C++ 头文件中读取顶层声明，序列化它们，并生成 Numba 扩展。这个过程确保了绑定的一致性，并使其与 CUDA 库的更新保持同步。

展示 Numbast 的功能

Numbast 功能的一个示例是为一个简单的 myfloat16 结构体创建 Numba 绑定，这个结构体的创意源于 CUDA 的 float16 头文件。该演示展示了如何将 C++ 声明转换为 Python 可访问的绑定，使开发者能够在 Python 环境中运用 CUDA 的性能优势。

实际应用

Numbast 支持的首批绑定之一是 bfloat16 数据类型，它可以与 PyTorch 的 torch.bfloat16 互操作。这种集成使得可以开发自定义计算内核，利用 CUDA 内在函数进行高效处理。

架构与功能

Numbast 主要由两个组件组成：AST_Canopy，用于解析和序列化 C++ 头文件，以及 Numbast 层本身，用于生成 Numba 绑定。AST_Canopy 确保在运行时进行环境检测，并提供计算能力解析方面的灵活性，而 Numbast 则作为 C++ 与 Python 之间的翻译层。

性能和未来前景

通过 Numbast 生成的绑定通过外部函数调用进行了优化，未来的增强功能预计将进一步缩小 Numba 核与本机 CUDA C++ 实现之间的性能差距。即将发布的版本承诺提供更多绑定，包括 NVSHMEM 和 CCCL，扩展该工具的实用性。

欲了解更多信息，请访问 NVIDIA 技术博客。