如何在GPU上加速数据科学

笔者按，数据科学家必要算力。无论您是用 pandas 处理赏罚一个大数据集，照旧用 Numpy 在一个大矩阵上运行一些计较，您都必要一台强盛的呆板，以便在公道的时刻内完成这项事变。

在已往的几年中，数据科学家常用的 Python 库已经很是善于操作 CPU 手段。

Pandas 的基本代码是用 C 说话编写的，它可以很好地处理赏罚巨细高出 100GB 的数据集。假如您没有足够的 RAM 来容纳这样的数据集，那么您可以行使分块成果，它很利便，可以一次处理赏罚一个数据块。

GPUs vs CPUs：并行处理赏罚

有了大量的数据，CPU 就不会割断它了。

一个高出 100GB 的数据集将有许大都据点，数据点的数值在数百万乃至数十亿的范畴内。有了这么多的数据点要处理赏罚，不管你的 CPU 有多快，它都没有足够的内核来举办有用的并行处理赏罚。假如你的 CPU 有 20 个内核(这将是相等昂贵的 CPU)，你一次只能处理赏罚 20 个数据点!

CPU 在时钟频率更重要的使命中会更好——可能基础没有 GPU 实现。假如你实行执行的流程有一个 GPU 实现，且该使命可以从并行处理赏罚中受益，那么 GPU 将越发有用。

深度进修已经在操作 GPU 方面施展了相等大的浸染。很多在深度进修中完成的卷积操纵是一再的，因此在 GPU 上可以大大加快，乃至可以到达 100 次。

本日的数据科学没有什么差异，由于很多一再的操纵都是在大数据集上执行的，库中有 pandas、Numpy 和 scikit-learn。这些操纵也不太伟大，无法在 GPU 上实现。

最后，尚有一个办理方案。

用 Rapids 加快 GPU

Rapids 是一套软件库，旨在操作 GPU 加快数据科学。它行使初级此外 CUDA 代码实现快速的、GPU 优化的算法，同时它上面尚有一个易于行使的 Python 层。

Rapids 的美好之处在于它与数据科学库的集成很是顺遂，好比 pandas 数据帧就很轻易通过 Rapids 实现 GPU 加快。下图声名白 Rapids 如安在保持顶层易用性的同时实现低层的加快。

Rapids 操作了几个 Python 库：

• cuDF-Python GPU 数据帧。它险些可以做 pandas 在数据处理赏罚和操纵方面所能做的统统。
• cuML-cuGraph 呆板进修库。它包括了 Scikit-Learn 拥有的很多 ML 算法，全部算法的名目都很是相似。
• cuGraph-cuGraph 图处理赏罚库。它包括很多常见的图说明算法，包罗 PageRank 和各类相似性怀抱。

怎样行使 Rapids

安装

此刻你将看到怎样行使 Rapids!

要安装它，请会见这个网站，在这里你将看到怎样安装 Rapids。你可以通过 Conda 将其直接安装到你的呆板上，可能简朴地行使 Docker 容器。

安装时，可以配置体系类型，如 CUDA 版本和要安装的库。譬喻，我有 CUDA 10.0，想要安装全部库，以是我的安装呼吁是：

conda install -c nvidia -c rapidsai -c numba -c conda-forge -c pytorch -c defaults cudf=0.8 cuml=0.8 cugraph=0.8 python=3.6 cudatoolkit=10.0 

一旦呼吁完成运行，就可以开始用 GPU 加快数据科学了。

配置我们的数据

对付本教程，我们将先容 DBSCAN demo 的修改版本。我将行使 Nvidia 数据科学事变站和 2 个 GPU 运行这个测试。

DBSCAN 是一种基于密度的聚类算法，可以自动对数据举办分类，而无需用户指定有几多组数据。在 Scikit-Learn 中有它的实现。

我们将从获取全部导入配置开始。先导入用于加载数据、可视化数据和应用 ML 模子的库。

import os  
import matplotlib.pyplot as plt  
from matplotlib.colors import ListedColormap  
from sklearn.datasets import make_circles 

make_circles 函数将自动建设一个伟大的数据漫衍，相同于我们将应用于 DBSCAN 的两个圆。

让我们从建设 100000 点的数据集开始，并在图中可视化：

X, y = make_circles(n_samples=int(1e5), factor=.35, noise=.05)  
X[:, 0] = 3*X[:, 0]  
X[:, 1] = 3*X[:, 1]  
plt.scatter(X[:, 0], X[:, 1])  
plt.show() 

CPU 上的 DBSCAN

行使 Scikit-Learn 在 CPU 上运行 DBSCAN 很轻易。我们将导入我们的算法并配置一些参数。

from sklearn.cluster import DBSCAN  
db = DBSCAN(eps=0.6, min_samples=2) 

我们此刻可以通过挪用 Scikit-Learn 中的一个函数对轮回数据行使 DBSCAN。在函数前面加上一个「%」，就可以让 Jupyter Notebook 丈量它的运行时刻。

%%time  
y_db = db.fit_predict(X) 

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!