我試圖在Python中執行擬合值迭代（FVI）（包括使用分段線性插值來近似5維函數）。在CUDA中相當於scipy.interpolate.griddata
scipy.interpolate.griddata完美適用於此。但是，我需要調用插值程序幾千次（因爲FVI是基於MC的算法）。所以基本上，已知函數的點集是靜態的（大的 - 比方說32k），但是我需要近似的點（它們是原始集合的小擾動）非常大（32k x 5000說）。
scipy.interpolate.griddata是否存在一個已經移植到CUDA的實現？或者，有沒有辦法加快計算速度？
謝謝。
對於分段線性插值，所述文檔說scipy.interpolate.griddata使用的scipy.interpolate.LinearNDInterpolator的方法中，又使用qhull做輸入點的德洛奈tesellation，然後執行標準重心插值，其中對於每個點，你必須確定每個點在哪個高等級面內，然後使用它的barycentric coordinates作爲高等級面元節點值的內插權重。
tesellation可能很難並行化，但您可以通過scipy.spatial.Delaunay訪問CPU版本。其他兩個步驟很容易並行化，但我不知道有什麼免費的實現。
如果您的已知函數點在常規網格上，則描述的方法here特別容易在CUDA中實現，並且我已經與它的實際實現一起工作，儘管沒有公開可用。
那麼恐怕你將不得不做的大部分工作自己...
你好，是的 - 我沒有最終結束了做大部分工作的自己。我在scipy.spatial.Delauny中查看了find_simplex的實現，發現基本思想可以很容易地並行化得足夠多。所以基本上我運行了2個循環 - 一個爲每個MC樣本查找（和存儲）單純形，另一個查找存儲的單形並計算其插值的重心座標。它受視頻內存限制，但速度非常快。 – user1726633