Посібник показує прискорене машинне навчання з NVIDIA cuML
Практичний посібник описує робочий процес машинного навчання на основі NVIDIA cuML та екосистеми RAPIDS. Спочатку налаштовується GPU-середовище й демонструється cuml.accel — інструмент, що дає змогу прискорювати наявні завдання scikit-learn за мінімальних змін у коді. Далі розглядаються нативний API cuML і його взаємодія з CuPy та cuDF.
У прикладах порівнюються CPU- і GPU-реалізації PCA, K-Means, пошуку найближчих сусідів, логістичної регресії, випадкових лісів і DBSCAN. Для змістовніших вимірювань використовується синхронізоване вимірювання часу. Робочий процес також охоплює навчання багатовидів і зменшення розмірності на GPU за допомогою UMAP та t-SNE, кластеризацію HDBSCAN і метрики trustworthiness.
Інші розділи присвячені високопродуктивному виведенню для лісових моделей через FIL, перевірці пояснень SHAP, створених на GPU, та оптимізації гіперпараметрів за допомогою метаоцінювачів scikit-learn. Наприкінці показано серіалізацію навчених моделей і перевірку їхньої переносимості між GPU- та CPU-середовищами. Це посібник із реалізації, а не звіт із наперед визначеними результатами бенчмарків.
Текст підготовлено ШІ Sakhanda Wire за матеріалом MarkTechPost. Факти, цитати та повний контекст — в оригінальній статті нижче.