如何在GPU上加速数据科学

这 10 万个点的运行时间是 8.31 秒，如下图所示：

GPU 上带 Rapids 的 DBSCAN

现在，让我们用 Rapids 进行加速!

首先，我们将把数据转换为 pandas.DataFrame 并使用它创建一个 cudf.DataFrame。pandas.DataFrame 无缝转换成 cudf.DataFrame，数据格式无任何更改。

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 导入并初始化一个特殊版本的 DBSCAN，它是 GPU 加速的版本。DBSCAN 的 cuML 版本的函数格式与 Scikit-Learn 的函数格式完全相同：相同的参数、相同的样式、相同的函数。

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

最后，我们可以在测量运行时间的同时运行 GPU DBSCAN 的预测函数。

%%time  
y_db_gpu = db_gpu.fit_predict(X_gpu) 

GPU 版本的运行时间为 4.22 秒，几乎加速了 2 倍。由于我们使用的是相同的算法，因此结果图也与 CPU 版本完全相同。

使用 Rapids GPU 获得超高速

我们从 Rapids 获得的加速量取决于我们正在处理的数据量。一个好的经验法则是，较大的数据集将更加受益于 GPU 加速。在 CPU 和 GPU 之间传输数据有一些开销时间——对于较大的数据集，开销时间变得更「值得」。

我们可以用一个简单的例子来说明这一点。

我们将创建一个随机数的 Numpy 数组并对其应用 DBSCAN。我们将比较常规 CPU DBSCAN 和 cuML 的 GPU 版本的速度，同时增加和减少数据点的数量，以了解它如何影响我们的运行时间。

下面的代码说明如何进行测试：

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) 

检查下面的 Matplotlib 结果图：

当使用 GPU 而不是 CPU 时，数量会急剧增加。即使在 10000 点(最左边)，我们的速度仍然是 4.54x。在更高的一端，1 千万点，我们切换到 GPU 时的速度是 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：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!