12. La tarjeta gráfica
Las dos etapas más pesadas de un track & stack pueden correr en tu tarjeta gráfica en vez de en el procesador: el registro (dónde cae cada toma y qué estrellas tiene) y el apilado (deformar cada toma sobre la referencia y combinarlas). Está encendida por defecto y no cambia lo que se mide: el resultado es el mismo, y una máquina sin tarjeta corre en el procesador exactamente como corría.
Qué acelera
El registro. La estimación por toma son dos medianas sobre el frame entero (el fondo por bloques y el ruido), y una tarjeta es un orden de magnitud más rápida en ellas.
El apilado. El warp (deformar cada toma sobre la referencia) y el combine (reducir las tomas a una imagen). El combine ahora sostiene cualquier número de tomas, así que el apilado de toda la secuencia de una visita larga también se queda en la tarjeta, no solo los apilados cortos por observación.
¿Por qué es más rápida una tarjeta aquí? Las dos etapas leen y escriben arrays del tamaño de un frame, así que lo que decide es el ancho de banda de memoria, y el de una tarjeta es un orden de magnitud mayor que el del procesador. No es otro algoritmo: es el mismo sobre hardware hecho para mover píxeles.
Encenderla y apagarla
El interruptor está en Ajustes → Medición → Trabajo (tras la puerta Avanzado): Deformar y combinar en la GPU, con un selector de Backend al lado. Viene encendido, y en una máquina sin tarjeta no hace nada: la app se da cuenta y corre en el procesador.
La nota del propio run dice qué dispositivo hizo el trabajo, así que una reducción nunca tiene que adivinarlo. La propia fila muestra la tarjeta que ve ahora mismo (o que no se encontró ninguna), así lo sabes antes de lanzar. Para forzar el procesador, desmarca el interruptor.
El backend: OpenCL por defecto
OpenCL (el defecto) corre en NVIDIA, AMD e Intel y no necesita nada instalado a mano: viaja con la app.
Auto prueba CUDA primero y cae a OpenCL.
CUDA es solo NVIDIA y se instala a mano (abajo).
¿Por qué OpenCL y no CUDA por defecto? Porque OpenCL es el que la app puede repartir, así que funciona de fábrica en cualquier tarjeta, y está medido que no es más lento que CUDA en la misma máquina. CUDA se queda para quien lo quiera.
Activar CUDA a mano (NVIDIA)
CUDA no se reparte: es una instalación manual para una tarjeta NVIDIA.
Instala CuPy con el wheel que case con tu runtime de CUDA:
cupy-cuda12xpara CUDA 12.x,cupy-cuda11xpara CUDA 11.x. (El sufijo sigue la versión mayor del toolkit de CUDA que te dé el driver.)Comprueba que importa:
python -c "import cupy; print(cupy.__version__)".En Ajustes → Medición → Trabajo (tras la puerta Avanzado), pon el Backend en CUDA y arranca el run otra vez.
Una instalación empaquetada no admite CUDA. Los builds de Windows y macOS llevan su propio Python, así que un pip install dentro de ellos no es posible: ahí OpenCL es el único backend. CUDA es para correr desde el código, o para los paquetes de Linux, que usan el Python del sistema.Qué cambia y qué no
El método, las banderas y las medidas son los mismos.
El apilado es la misma imagen hasta una fracción de ADU (los dos caminos están fijados por un test para coincidir).
El camino del procesador es siempre la referencia y el respaldo: cualquier problema con la tarjeta y el run sigue en el procesador.
Cuándo paga y cuándo no
Paga donde el trabajo es grande y continuo: la estimación por toma y los apilados de frame completo o de muchas tomas. No paga en recortes pequeños, y el barrido de velocidad se queda en el procesador a propósito (su ventana es pequeña, y releerla para cada candidato cuesta más de lo que ahorra).