cuML-lel gyorsítja az NVIDIA a Python-os gépi tanulást
Az NVIDIA cuML keretrendszer lehetővé teszi a Python-os gépi tanulási feladatok GPU-n történő futtatását, minimális kódmódosítással, így gyorsítva fel a scikit-learn alapú munkameneteket.
A cuML.accel funkció az eredeti scikit-learn kódok átalakítása nélkül teszi lehetővé a gyorsítást. A GPU-s implementációk, mint a PCA, K-Means, legközelebbi szomszéd keresés, logisztikai regresszió, random forest és DBSCAN, összehasonlíthatók a CPU-s verziókkal szinkronizált időzítéssel a pontos teljesítménymérés érdekében. A keretrendszer támogatja a GPU-alapú manifold-learning és clustering folyamatokat is, mint az UMAP, t-SNE és HDBSCAN. (MarkTechPost)
Támogatott algoritmusok és funkciók
A bemutató kitér a nagy átviteli sebességű forest inference-re az FIL segítségével, valamint a GPU-generált SHAP magyarázatok validálására. Lehetőséget nyújt hiperparaméter-optimalizálásra scikit-learn meta-estimátorokkal, és bemutatja a betanított modellek szerializálását, valamint a GPU és CPU környezetek közötti hordozhatóságot.
Telepítés és kompatibilitás
Az RAPIDS cuML telepítése körülbelül 1-3 percet vesz igénybe, és kompatibilis a scikit-learn 1.6-os vagy újabb verziójával. A cuML.accel demonstrációja nem igényelt forráskód-módosítást, a teljesítménymérés pedig megmutatta, mely hívások futottak GPU-n.