optimize-for-gpu
Acelera cálculos científicos em computadores com GPUs NVIDIA. Ele torna tarefas de análise de dados e processamento de imagens mais rápidas e eficientes.
O que ela faz
Esta ferramenta ajuda a acelerar programas de computador escritos em Python que usam bibliotecas científicas, fazendo com que eles rodem mais rápido em placas de vídeo (GPUs) da NVIDIA. Ela verifica se os resultados continuam corretos e se houve ganho de velocidade.
Quando usar
- ✓Quando um programa Python está lento e você quer torná-lo mais rápido.
- ✓Se você trabalha com muitos dados, como números, tabelas ou imagens, e usa bibliotecas como NumPy ou pandas.
- ✓Se você precisa otimizar cálculos complexos em áreas como inteligência artificial, processamento de imagens ou simulações.
Exemplo do que pedir para a IA
“Como posso fazer meu código Python que usa NumPy rodar mais rápido em uma GPU NVIDIA?”
Quer saber mais? Abra as seções abaixo.
Como usar
O jeito mais fácil: copie a mensagem abaixo e cole no Claude, ChatGPT, Cursor ou outra IA. Ela lê a skill e segue as instruções.
Link da skill
Mensagem pronta para colar
Como funciona
A ferramenta analisa seu código Python e identifica partes que podem ser executadas na GPU. Ela usa bibliotecas específicas para transferir os cálculos para a placa de vídeo e depois compara a velocidade e a precisão com a versão original.
Instalação
Jeito mais fácil: copie o link da skill e cole no Claude, ChatGPT ou Cursor pedindo para seguir as instruções.
No terminal (Claude Code, Codex, Cursor), na pasta do projeto:
npx skills add K-Dense-AI/scientific-agent-skills --skill optimize-for-gpuOu baixe só o arquivo:
curl -L https://raw.githubusercontent.com/K-Dense-AI/scientific-agent-skills/main/skills/optimize-for-gpu/SKILL.md -o SKILL.mdConteúdo técnico (SKILL.md)
Tradução do texto original do autor no GitHub. Os comandos e códigos estão como no original.
Otimização de GPU para Python com NVIDIA
Trate a aceleração de GPU como uma otimização baseada em evidências, não como uma reescrita automática. Preserve o contrato numérico e algorítmico do usuário, meça com dados representativos e mantenha a versão de GPU apenas quando benchmarks ponta a ponta sincronizados mostrarem uma melhoria útil.
Revisado contra RAPIDS 26.08, CuPy 14.2, Numba-CUDA 0.30.4 e Warp 1.17.
As referências contêm exemplos ilustrativos de GPU: a revisão de fonte/API não é execução em hardware CUDA. Valide-os na GPU de destino do usuário antes de relatar correção ou aceleração.
Não use uma página de documentação em constante mudança latest para inferir compatibilidade com uma versão fixada.
Quando Esta Habilidade se Aplica
- O usuário deseja acelerar código Python numérico/científico
- O usuário está trabalhando com arrays, matrizes ou dataframes grandes
- O usuário menciona CUDA, GPU, NVIDIA ou computação paralela
- O usuário tem código NumPy, pandas, SciPy, scikit-learn, NetworkX ou scipy.sparse.linalg que processa grandes conjuntos de dados
- O usuário precisa de primitivas de GPU de baixo nível (solucionadores de autovalores esparsos, gerenciamento de memória de dispositivo, comunicação multi-GPU)
- O usuário está fazendo aprendizado de máquina (treinamento, inferência, ajuste de hiperparâmetros, pré-processamento)
- O usuário está fazendo análise de grafos (centralidade, detecção de comunidade, caminhos mais curtos, PageRank, etc.)
- O usuário está fazendo busca vetorial, busca do vizinho mais próximo, busca de similaridade ou construindo um pipeline RAG
- O usuário tem código Faiss, Annoy, ScaNN ou sklearn NearestNeighbors que pode ser acelerado por GPU
- O usuário deseja dashboards interativos acelerados por GPU, filtragem cruzada ou análise exploratória de dados em grandes conjuntos de dados
- O usuário está fazendo análise geoespacial (ponto em polígono, junções espaciais, análise de trajetória, cálculos de distância) com GeoPandas ou shapely
- O usuário está fazendo processamento de imagem, visão computacional ou imagem médica (filtragem, segmentação, morfologia, detecção de características) com scikit-image ou OpenCV
- O usuário está trabalhando com imagens de lâmina inteira (WSI), patologia digital, microscopia ou imagens de sensoriamento remoto
- O usuário está carregando arquivos binários grandes na memória da GPU (numpy.fromfile → cupy, ou Python open() → array de GPU)
- O usuário precisa ler arquivos do S3, HTTP ou WebHDFS diretamente na memória da GPU
- O usuário menciona GPUDirect Storage (GDS) ou deseja contornar o staging de memória da CPU para E/S de arquivo
- O usuário está fazendo simulação física (partículas, tecidos, fluidos, corpos rígidos) ou simulação diferenciável
- O usuário precisa de operações de malha (lançamento de raios, consultas de ponto mais próximo, campos de distância com sinal) ou processamento de geometria na GPU
- O usuário está fazendo robótica (cinemática, dinâmica, controle) com transformações e quatérnios
- O usuário tem loops de simulação Python que podem ser compilados JIT para kernels de GPU
- O usuário menciona NVIDIA Warp ou deseja simulação de GPU diferenciável integrada com PyTorch/JAX
- O usuário está fazendo simulações, processamento de sinais, modelagem financeira, bioinformática, física ou qualquer trabalho intensivo em computação
- O usuário deseja otimizar o código existente e a aceleração de GPU é a resposta certa
Escolha a Menor Camada Adequada
Prefira uma implementação de biblioteca mantida em vez de um kernel personalizado:
| Carga de trabalho existente | Caminho preferido | Usar para |
|---|---|---|
| NumPy / SciPy | CuPy | arrays, matrizes esparsas, álgebra linear, FFTs, processamento de sinais |
| pandas | cudf.pandas, depois cuDF | modo acelerador primeiro; API nativa para mais controle |
| scikit-learn | cuml.accel, depois cuML | modo acelerador primeiro; estimadores nativos conforme necessário |
| NetworkX | nx-cugraph, depois cuGraph | despacho de backend primeiro; API de grafo nativa em escala |
| scikit-image | cuCIM | processamento de imagem de GPU e imagem de lâmina inteira |
| Faiss / Annoy / k-NN | cuVS | busca vetorial exata e aproximada |
| E/S de arquivo bruta ou remota | KvikIO | buffers de GPU e GPUDirect Storage |
| Kernels de array personalizados | Numba-CUDA-MLIR para trabalho novo; Numba-CUDA para código existente | kernels SIMT explícitos e memória compartilhada |
| Kernels espaciais ou diferenciáveis | Warp | geometria, kernels de simulação, robótica, autodiff |
| Simulação física de alto nível | Newton | motor mantido que sucede o módulo removido warp.sim |
| Primitivas RAPIDS de baixo nível | RAFT (pylibraft) |
solucionadores de autovalores esparsos, recursos, blocos de construção multi-GPU |
Não mova código de PyTorch, JAX, TensorFlow ou outro framework nativo de GPU apenas para usar uma dessas bibliotecas. Primeiro, remova as idas e vindas da CPU e use o compilador, profiler, precisão mista e instalações de batch do framework.
…
Perguntas frequentes
Preciso de uma placa de vídeo NVIDIA?
Sim, esta ferramenta é feita especificamente para placas de vídeo NVIDIA e usa tecnologias como CUDA.
Isso vai mudar meu código completamente?
O objetivo é acelerar seu código sem alterar a lógica principal. A ferramenta tenta usar bibliotecas que se parecem com as que você já usa, como CuPy no lugar de NumPy.
Como sei se realmente ficou mais rápido?
A ferramenta mede o tempo de execução antes e depois da otimização, usando os mesmos dados, para garantir que a versão na GPU seja comprovadamente mais rápida.
Detalhes
Descrição original do autor
GPU-accelerates scientific Python on NVIDIA hardware and verifies that the result is correct and faster. Use for CUDA/GPU optimization; CPU-bound NumPy, SciPy, pandas, scikit-learn, NetworkX, scikit-image, vector-search, image-processing, graph, simulation, or file-I/O workloads; CuPy, cuDF, cuML, cuGraph, cuVS, cuCIM, KvikIO, Warp, Newton, Numba-CUDA, or RAFT questions; and profiling, memory-tran
Popularidade
- Estrelas no GitHub
- 51 mil
- Posição no ranking
- #1923
- Licença
- MIT
- Atualizada em
- 15/10/2026
Comentários
- …
Mais skills deste repositório
13c-metabolic-flux
Estima fluxos metabólicos usando dados de rastreamento de isótopos de carbono-13. É útil para analisar o metabolismo celular e vias bioquímicas.
K-Dense-AI/scientific-agent-skills
adaptyv
Projeta experimentos de caracterização de proteínas usando a API Adaptyv. Ele ajuda a estimar custos, enviar sequências e monitorar resultados de laboratório.
K-Dense-AI/scientific-agent-skills
aeon
Realiza tarefas de aprendizado de máquina em séries temporais. É útil para classificar, prever, detectar anomalias e encontrar padrões em dados sequenciais.
K-Dense-AI/scientific-agent-skills
alphagenome
Consulta efeitos genômicos pré-calculados para variantes genéticas. Ele fornece pontuações e explicações para entender o impacto das variantes no genoma.
K-Dense-AI/scientific-agent-skills
Skills parecidas
dashboard-builder
Ajuda seu agente a criar painéis de monitoramento úteis. Ele transforma dados em gráficos que respondem a perguntas importantes sobre o sistema.
affaan-m/ECC
dev-team
Simula uma equipe de desenvolvimento colaborativa, onde diferentes papéis respondem a um problema juntos. É útil para obter múltiplas perspectivas sem trocar de agente manualmente.
affaan-m/ECC
ecc-council
Faz seu agente reunir um conselho de quatro vozes para tomar decisões difíceis. É útil quando há várias opções boas e é preciso debater antes de escolher.
affaan-m/ECC