如何在GPU上加速數據科學

2021-02-13 分類：網站建設

筆者按，數據科學家需要算力。無論您是用 pandas 處理一個大數據集，還是用 Numpy 在一個大矩陣上運行一些計算，您都需要一臺強大的機器，以便在合理的時間內完成這項工作。

在過去的幾年中，數據科學家常用的 Python 庫已經非常擅長利用 CPU 能力。

Pandas 的基礎代碼是用 C 語言編寫的，它可以很好地處理大小超過 100GB 的數據集。如果您沒有足夠的 RAM 來容納這樣的數據集，那么您可以使用分塊功能，它很方便，可以一次處理一個數據塊。

GPUs vs CPUs：并行處理

有了大量的數據，CPU 就不會切斷它了。

一個超過 100GB 的數據集將有許多數據點，數據點的數值在數百萬甚至數十億的范圍內。有了這么多的數據點要處理，不管你的 CPU 有多快，它都沒有足夠的內核來進行有效的并行處理。如果你的 CPU 有 20 個內核(這將是相當昂貴的 CPU)，你一次只能處理 20 個數據點!

CPU 在時鐘頻率更重要的任務中會更好——或者根本沒有 GPU 實現。如果你嘗試執行的流程有一個 GPU 實現，且該任務可以從并行處理中受益，那么 GPU 將更加有效。

使用 Scikit-Learn 在 CPU 上運行 DBSCAN 的結果

GPU 上帶 Rapids 的 DBSCAN

現在，讓我們用 Rapids 進行加速!

首先，我們將把數據轉換為 pandas.DataFrame 并使用它創建一個 cudf.DataFrame。pandas.DataFrame 無縫轉換成 cudf.DataFrame，數據格式無任何更改。

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)

然后我們將從 cuML 導入并初始化一個特殊版本的 DBSCAN，它是 GPU 加速的版本。DBSCAN 的 cuML 版本的函數格式與 Scikit-Learn 的函數格式完全相同：相同的參數、相同的樣式、相同的函數。

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

最后，我們可以在測量運行時間的同時運行 GPU DBSCAN 的預測函數。

%%time  
y_db_gpu = db_gpu.fit_predict(X_gpu)

GPU 版本的運行時間為 4.22 秒，幾乎加速了 2 倍。由于我們使用的是相同的算法，因此結果圖也與 CPU 版本完全相同。

如何在GPU上加速數據科學

使用 cuML 在 GPU 上運行 DBSCAN 的結果

使用 Rapids GPU 獲得超高速

我們從 Rapids 獲得的加速量取決于我們正在處理的數據量。一個好的經驗法則是，較大的數據集將更加受益于 GPU 加速。在 CPU 和 GPU 之間傳輸數據有一些開銷時間——對于較大的數據集，開銷時間變得更「值得」。

我們可以用一個簡單的例子來說明這一點。

我們將創建一個隨機數的 Numpy 數組并對其應用 DBSCAN。我們將比較常規 CPU DBSCAN 和 cuML 的 GPU 版本的速度，同時增加和減少數據點的數量，以了解它如何影響我們的運行時間。

下面的代碼說明如何進行測試：

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)