如何在GPU上加速数据科学

笔者按，数据科学家需要算力。无论您是用 pandas 处理一个大数据集，还是用 Numpy 在一个大矩阵上运行一些计算，您都需要一台强大的机器，以便在合理的时间内完成这项工作。

在过去的几年中，数据科学家常用的 Python 库已经非常擅长利用 CPU 能力。

Pandas 的基础代码是用 C 语言编写的，它可以很好地处理大小超过 100GB 的数据集。如果您没有足够的 RAM 来容纳这样的数据集，那么您可以使用分块功能，它很方便，可以一次处理一个数据块。

GPUs vs CPUs：并行处理

有了大量的数据，CPU 就不会切断它了。

一个超过 100GB 的数据集将有许多数据点，数据点的数值在数百万甚至数十亿的范围内。有了这么多的数据点要处理，不管你的 CPU 有多快，它都没有足够的内核来进行有效的并行处理。如果你的 CPU 有 20 个内核(这将是相当昂贵的 CPU)，你一次只能处理 20 个数据点!

CPU 在时钟频率更重要的任务中会更好——或者根本没有 GPU 实现。如果你尝试执行的流程有一个 GPU 实现，且该任务可以从并行处理中受益，那么 GPU 将更加有效。

深度学习已经在利用 GPU 方面发挥了相当大的作用。许多在深度学习中完成的卷积操作是重复的，因此在 GPU 上可以大大加速，甚至可以达到 100 次。

今天的数据科学没有什么不同，因为许多重复的操作都是在大数据集上执行的，库中有 pandas、Numpy 和 scikit-learn。这些操作也不太复杂，无法在 GPU 上实现。

最后，还有一个解决方案。

用 Rapids 加速 GPU

Rapids 是一套软件库，旨在利用 GPU 加速数据科学。它使用低级别的 CUDA 代码实现快速的、GPU 优化的算法，同时它上面还有一个易于使用的 Python 层。

Rapids 的美妙之处在于它与数据科学库的集成非常顺利，比如 pandas 数据帧就很容易通过 Rapids 实现 GPU 加速。下图说明了 Rapids 如何在保持顶层易用性的同时实现低层的加速。

Rapids 利用了几个 Python 库：

• cuDF-Python GPU 数据帧。它几乎可以做 pandas 在数据处理和操作方面所能做的一切。
• cuML-cuGraph 机器学习库。它包含了 Scikit-Learn 拥有的许多 ML 算法，所有算法的格式都非常相似。
• cuGraph-cuGraph 图处理库。它包含许多常见的图分析算法，包括 PageRank 和各种相似性度量。

如何使用 Rapids

安装

现在你将看到如何使用 Rapids!

要安装它，请访问这个网站，在这里你将看到如何安装 Rapids。你可以通过 Conda 将其直接安装到你的机器上，或者简单地使用 Docker 容器。

安装时，可以设置系统规范，如 CUDA 版本和要安装的库。例如，我有 CUDA 10.0，想要安装所有库，所以我的安装命令是：

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 

一旦命令完成运行，就可以开始用 GPU 加速数据科学了。

设置我们的数据

对于本教程，我们将介绍 DBSCAN demo 的修改版本。我将使用 Nvidia 数据科学工作站和 2 个 GPU 运行这个测试。

DBSCAN 是一种基于密度的聚类算法，可以自动对数据进行分类，而无需用户指定有多少组数据。在 Scikit-Learn 中有它的实现。

我们将从获取所有导入设置开始。先导入用于加载数据、可视化数据和应用 ML 模型的库。

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

make_circles 函数将自动创建一个复杂的数据分布，类似于我们将应用于 DBSCAN 的两个圆。

让我们从创建 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

使用 Scikit-Learn 在 CPU 上运行 DBSCAN 很容易。我们将导入我们的算法并设置一些参数。

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

我们现在可以通过调用 Scikit-Learn 中的一个函数对循环数据使用 DBSCAN。在函数前面加上一个「%」，就可以让 Jupyter Notebook 测量它的运行时间。

%%time  
y_db = db.fit_predict(X) 

（编辑：核心网）

【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!