CUDA 不支持边界检查

我尝试使用 Numba 并访问 GPU 以加速代码，但出现以下错误：

in jit raise NotImplementedError("bounds checking is not supported for CUDA")
NotImplementedError: bounds checking is not supported for CUDA

我看到提出了另一个问题，但没有完全说明或回答here https://stackoverflow.com/questions/60012614/notimplementederror-bounds-checking-is-not-supported-for-cuda。 当我看到矢量化代码（y = corr*x + np.sqrt(1.-corr**2)*z）不起作用（同样的错误）。我也尝试过使用这个选项boundscheck，但这并没有改变结果。 未指定时不会出现该错误target，因为它会自动运行在 CPU 上（我猜）。

import numpy as np
from numba import jit

N = int(1e8)
@jit(nopython=True, target='cuda', boundscheck=False)
def Brownian_motions(T, N, corr):
    x = np.random.normal(0, 1, size=(T,N))
    z = np.random.normal(0, 1, size=(T,N))
    y = np.zeros(shape=(T,N))
    for i in range(T):
        for j in range(N):
            y[i,j] = corr*x[i,j] + np.sqrt(1.-corr**2)*z[i,j]
    return(x,y)

x, y = Brownian_motions(T = 500, N = N, corr = -0.45)

请你帮助我好吗？ Python 是 3.7.6，Numba 是 0.48.0。

就我而言，我也替换为@jit这是使用 XLA 编译多个操作的装饰器。下面是一个示例代码，用于查看 CPU 和 GPU 的性能。

from numba import jit
import numpy as np 
# to measure exec time 
from timeit import default_timer as timer    

# normal function to run on cpu 
def func(a):                                 
    for i in range(10000000): 
        a[i]+= 1      

# function optimized to run on gpu  
@jit
#(target ="cuda")                          
def func2(a): 
    for i in range(10000000): 
        a[i]+= 1
if __name__=="__main__": 
    n = 10000000                            
    a = np.ones(n, dtype = np.float64) 
    b = np.ones(n, dtype = np.float32) 

    start = timer() 
    func(a) 
    print("without GPU:", timer()-start)     

    start = timer() 
    func2(a) 
    print("with GPU:", timer()-start) 

结果： 不带GPU：5.353004818000045 带GPU：0.23115529000006063