Руководство показывает ускоренное машинное обучение с NVIDIA cuML
Практическое руководство описывает рабочий процесс машинного обучения на базе NVIDIA cuML и экосистемы RAPIDS. Сначала настраивается GPU-среда и демонстрируется cuml.accel — инструмент, способный ускорять существующие задачи scikit-learn при небольших изменениях исходного кода. Затем рассматриваются нативный API cuML и его взаимодействие с CuPy и cuDF.
В рамках примеров сопоставляются CPU- и GPU-реализации PCA, K-Means, поиска ближайших соседей, логистической регрессии, случайного леса и DBSCAN. Для более корректного измерения производительности применяется синхронизация таймеров. В рабочий процесс также входят снижение размерности и обучение многообразий на GPU с помощью UMAP и t-SNE, кластеризация HDBSCAN и оценка метриками trustworthiness.
Отдельные разделы посвящены высокопроизводительному выводу для лесных моделей с FIL, проверке объяснений SHAP, созданных на GPU, и подбору гиперпараметров с использованием метаоценщиков scikit-learn. В заключении показаны сериализация обученных моделей и проверка их переносимости между GPU- и CPU-средами. Материал представляет методическое руководство по реализации, а не набор заранее заявленных результатов бенчмаркинга.
Текст подготовлен ИИ Sakhanda Wire по материалу MarkTechPost. Факты, цитаты и полный контекст — в оригинальной статье ниже.