• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Uso de GPU en JavaScript para mejorar el rendimiento

junio 2, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Actualmente la mayoría de los ordenadores cuentan tanto con CPUs como GPUs. Hasta hace poco las GPUs, a pesar de ser unos procesadores cada vez más potentes, solamente se utilizaban en juegos y otras aplicaciones que requerían realizar pesados cálculos gráficos. Actualmente la aparición de librerías como CUDA permite el uso de estos procesadores en aplicaciones de propósito general, permitiendo aprovechar la gran capacidad de paralización es estos procesadores. El uso de GPU en JavaScript se puede conseguir gracias al uso de librerías como GPU.js, gracias a la cual se puede usar estos procesadores tanto en el navegador como en Node.

GPU.js

La librería GPU.js permite llevar a cabo computación de propósito general en GPU (GPGPU, General purpose computing on GPUs) con JavaScript, pudiendo acelerar la ejecución de código tanto en los navegadores como en Node. GPU.js traduce automáticamente el código JavaScript para que este pueda ser ejecutado de forma eficiente en la GPU. En el caso de que no exista un GPU en el equipo el programa seguirá funcionando normalmente en la CPU.

GPU.js se puede instalar en Node tanto a través de npm como de yarn y en el navegador solamente requiere la importación de un archivo JavaScript.

Multiplicación de matrices con la GPU en JavaScript

Una tarea en la que las GPU funcionan mejor que las CPU es la multiplicación de matrices, ya que las operaciones necesarias se pueden ejecutar de forma paralela fácilmente. Así se puede escribir una función para multiplicar dos matrices cuadradas en JavaScript y su equivalente con GPU.js

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

import { GPU } from 'gpu.js';

function multiplyMatrix(a, b) {
    const result = Array(a.length).fill([]).map(() => Array(a.length).fill(0));

    for (let i = 0; i < a.length; i++) {
        for (let j = 0; j < a.length; j++) {
            for (let k = 0; k < a.length; k++) {
                result[i][j] += a[i][k] * b[k][j];
            }
        }
    }

    return result;
}

function multiplyMatrixGpu(a, b) {
    const gpu = new GPU();
    
    const multiplyMatrix = gpu.createKernel(function (a, b, matrixSize) {
        let sum = 0;

        for (let i = 0; i < matrixSize; i++) {
            sum += a[this.thread.y][i] * b[i][this.thread.x];
        }

        return sum;
    }).setOutput([a.length, a.length]);

    return multiplyMatrix(a, b, a.length);
}

const A = [[1, 2], [3, 4]];
const B = [[1, 1], [0, 1]];

console.log(multiplyMatrix(A, B));
console.log(multiplyMatrixGpu(A, B, 2));
[ [ 1, 3 ], [ 3, 7 ] ]
[ Float32Array(2) [ 1, 3 ], Float32Array(2) [ 3, 7 ] ]

La función en JavaScript pura es posiblemente la más fácil de entender, simplemente se ha implementado el proceso para multiplicar dos matrices.

En el caso de la versión creada para usar GPU.js es algo más complicado. Inicialmente se tiene que crear un objeto GPU y dentro de este se crea un kernel que tiene como parámetro una función en la que se implementa el proceso de cálculo. Lo primero que se puede notar es que en la función usada en esta caso se han eliminado los dos bucles externos, los cuales han sido reemplazados por this.thread.x y this.thread.y. Esto es así porque el kernel ya itera sobre la matriz que se define con la propiedad setOutput(), por lo que solamente se tiene que definir la función más interna del proceso.

Una vez hecho esto se puede comprobar cómo el resultado es el correcto en ambas implementaciones. Quizás la única diferencia es que en la GPU se han usado un tipo de dato float de 32 bits, mientras que en la GPU el tipo de dato es el number de JavaScript, esto es float de 64 bits. Una precisión que puede no ser suficiente en algunos casos.

Comparación del rendimiento de la CPU y GPU en JavaScript

Ahora que sabemos que las funciones realizar el cálculo correctamente se puede comparar el tiempo que tarda una implementación y la otra. Para lo que se puede crear dos matrices cuadradas de 1024 elementos y comparar el tiempo que tarda en llevar a cabo cada una de las funciones. Para lo que se puede usar el siguiente código.

const size = 1024;
const A = Array(size).fill([]).map(() => Array(size).fill(0).map(() => Math.random()));
const B = Array(size).fill([]).map(() => Array(size).fill(0).map(() => Math.random()));

console.time("CPU");
multiplyMatrix(A, B);
console.timeEnd("CPU");

console.time("GPU");
multiplyMatrixGpu(A, B, size);
console.timeEnd("GPU");
CPU: 9.692s
GPU: 458.771ms

En este caso se puede apreciar que la implementación con la CPU ha tardado más de 9 segundos frente a los 0,5 segundos de la GPU. Lo que supone casi un factor 20 de mejora. A pesar de que la GPU usada en la prueba es una Intel Iris Plus, una tarjeta gráfica de gama baja. Posiblemente al usar una tarjeta más potente se puede mejorar este rendimiento aún más.

Conclusiones

En esta ocasión hemos visto una librería interesante con la que es posible ejecutar código JavaScript y TypeScript en la GPU de nuestros equipos. Algo que puede suponer importantes mejoras de rendimiento, en el ejemplo de la entrada se ha observado un casi un factor con una GPU de gama baja. Si las tareas que necesitamos llevar a cabo pueden aprovechar la ventaja de estos procesadores es una buena idea darle una oportunidad a esta librería.

Imagen de Nana Dua en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos

Publicidad

Publicado en: JavaScript

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Noticias

Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Cómo Explorar un Dataset antes de Modelar publicado el noviembre 17, 2026 | en Ciencia de datos
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | en Python
  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • La tabla de la web finalmente importada en Excel Importar tablas desde la web en Excel publicado el octubre 21, 2020 | en Herramientas

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto