如安在GPU上加快数据科学

这 10 万个点的运行时刻是 8.31 秒，如下图所示：

GPU 上带 Rapids 的 DBSCAN

此刻，让我们用 Rapids 举办加快!

起首，我们将把数据转换为 pandas.DataFrame 并行使它建设一个 cudf.DataFrame。pandas.DataFrame 无缝转换成 cudf.DataFrame，数据名目无任何变动。

import pandas as pd  
import cudf  
X_df = pd.DataFrame({'fea%d'%i: X[:, i] for i in range(X.shape[1])})  
X_gpu = cudf.DataFrame.from_pandas(X_df) 

然后我们将从 cuML 导入并初始化一个非凡版本的 DBSCAN，它是 GPU 加快的版本。DBSCAN 的 cuML 版本的函数名目与 Scikit-Learn 的函数名目完全沟通：沟通的参数、沟通的样式、沟通的函数。

from cuml import DBSCAN as cumlDBSCAN  
db_gpu = cumlDBSCAN(eps=0.6, min_samples=2) 

最后，我们可以在丈量运行时刻的同时运行 GPU DBSCAN 的猜测函数。

%%time  
y_db_gpu = db_gpu.fit_predict(X_gpu) 

GPU 版本的运行时刻为 4.22 秒，险些加快了 2 倍。因为我们行使的是沟通的算法，因此功效图也与 CPU 版本完全沟通。

行使 Rapids GPU 得到超高速

我们从 Rapids 得到的加快量取决于我们正在处理赏罚的数据量。一个好的履历法例是，较大的数据集将越发受益于 GPU 加快。在 CPU 和 GPU 之间传输数据有一些开销时刻——对付较大的数据集，开销时刻变得更「值得」。

我们可以用一个简朴的例子来声名这一点。

我们将建设一个随机数的 Numpy 数组并对其应用 DBSCAN。我们将较量通例 CPU DBSCAN 和 cuML 的 GPU 版本的速率，同时增进和镌汰数据点的数目，以相识它怎样影响我们的运行时刻。

下面的代码声名怎样举办测试：

import numpy as np  
 
n_rows, n_cols = 10000, 100  
X = np.random.rand(n_rows, n_cols)  
print(X.shape)  
 
X_df = pd.DataFrame({'fea%d'%i: X[:, i] for i in range(X.shape[1])})  
X_gpu = cudf.DataFrame.from_pandas(X_df)  
 
db = DBSCAN(eps=3, min_samples=2)  
db_gpu = cumlDBSCAN(eps=3, min_samples=2)  
 
%%time  
y_db = db.fit_predict(X) 
 
%%time  
y_db_gpu = db_gpu.fit_predict(X_gpu) 

搜查下面的 Matplotlib 功效图：

当行使 GPU 而不是 CPU 时，数目会急剧增进。纵然在 10000 点(最左边)，我们的速率如故是 4.54x。在更高的一端，1 万万点，我们切换到 GPU 时的速率是 88.04x!

本文转自雷锋网，如需转载请至雷锋网官网申请授权。

（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!