cuML是一套用于实现与其他RAPIDS项目共享兼容API的机器学习算法和数学原语函数。
cuML使数据科学家、研究人员和软件工程师能够在GPU上运行传统的表格ML任务，而无需深入了解CUDA编程的细节。在大多数情况下，cuML的PythoAPI与来自scikit-lear的API相匹配。
对于大型数据集，这些基于GPU的实现可以比其CPU等效完成10-50倍。有关性能的详细信息，请参阅cuML基准测试笔记本。
例如，以下Pytho代码段加载输入并计算DBSCAN集群，所有这些都在GPU上：
importcudffromcuml.clusterimportDBSCAN#CreateadpopulateaGPUDataFramegdf_float=cudf.DataFrame()gdf_float['0']=[1.0,2.0,5.0]gdf_float['1']=[4.0,2.0,1.0]gdf_float['2']=[4.0,2.0,1.0]#Setupadfitclustersdbsca_float=DBSCAN(eps=1.0,mi_samples=1)dbsca_float.fit(gdf_float)prit(dbsca_float.labels_)输出:
001122dtype:it32cuML还具有多GPU和多节点多GPU操作，使用Dask，用于越来越多的算法。以下Pytho代码段从CSV文件中读取输入，并在单个节点上使用多个GPU在Dask工作器集群中执行NearestNeighbors查询：
#CreateaDaskCUDAclusterw/oeworkerperdevicefromdask_cudaimportLocalCUDAClustercluster=LocalCUDACluster()#ReadCSVfileiparallelacrossworkersimportdask_cudfdf=dask_cudf.read_csv("/path/to/csv")#FitaNearestNeighborsmodeladqueryitfromcuml.dask.eighborsimportNearestNeighbors=NearestNeighbors(_eighbors=10).fit(df)eighbors=.keighbors(df)
评论