我想将cupy.linalg.pinv函数应用于100 k数组，但与Numpy等效函数相比，我看到性能下降。
我的100 k数组是二维数组。主阵列形状为：（100000，1397，2）

# generating the data
arr = np.random.uniform(low=0.5, high=1500.20,size=(1397, 2))
main_arr = np.tile(arr, (100000, 1, 1))

使用NumPy，该函数在11秒内运行：

%%time
np.linalg.pinv(main_arr)

CPU时间：用户22.5秒，系统：27.4秒，总计：49.9 s壁时间：11秒
在GPU上使用Cupy的确切等效值会产生错误：

main_arr_gpu = cp.array(main_arr) # Copy the array to the GPU
cp.linalg.pinv(main_arr_gpu)

LinAlgError：给定的三维数组。数组必须是二维的
所以我使用列表解析来遍历数组：

%%time
[cp.linalg.pinv(arr_gpu) for arr_gpu in main_arr_gpu]

CPU时间：用户22.3秒，系统：0 ns，总计：22.3 s壁时间：22.3秒
它需要22.3s，是CPU时间的两倍，不计算数据传输。Nvidia-smi命令确认GPU正在工作。
那么为什么CPU的性能更好呢？

• 注意：CPU为Intel 24 Core 13900 k，GPU为Nvidia RTX 4090*