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。

深度學習已經在利用 GPU 方面發揮了相當大的作用。許多在深度學習中完成的卷積操作是重復的，因此在 GPU 上可以大大加速，甚至可以達到 100 次。

今天的數據科學沒有什么不同，因為許多重復的操作都是在大數據集上執行的，庫中有 pandas、Numpy 和 scikit-learn。這些操作也不太復雜，無法在 GPU 上實現。

最后，還有一個解決方案。

用 Rapids 加速 GPU

Rapids 是一套軟件庫，旨在利用 GPU 加速數據科學。它使用低級別的 CUDA 代碼實現快速的、GPU 優化的算法，同時它上面還有一個易于使用的 Python 層。

Rapids 的美妙之處在于它與數據科學庫的集成非常順利，比如 pandas 數據幀就很容易通過 Rapids 實現 GPU 加速。下圖說明了 Rapids 如何在保持頂層易用性的同時實現低層的加速。

Rapids 利用了幾個 Python 庫：

• cuDF-Python GPU 數據幀。它幾乎可以做 pandas 在數據處理和操作方面所能做的一切。
• cuML-cuGraph 機器學習庫。它包含了 Scikit-Learn 擁有的許多 ML 算法，所有算法的格式都非常相似。
• cuGraph-cuGraph 圖處理庫。它包含許多常見的圖分析算法，包括 PageRank 和各種相似性度量。

如何使用 Rapids

安裝

現在你將看到如何使用 Rapids!

要安裝它，請訪問這個網站，在這里你將看到如何安裝 Rapids。你可以通過 Conda 將其直接安裝到你的機器上，或者簡單地使用 Docker 容器。

安裝時，可以設置系統規范，如 CUDA 版本和要安裝的庫。例如，我有 CUDA 10.0，想要安裝所有庫，所以我的安裝命令是：

conda install -c nvidia -c rapidsai -c numba -c conda-forge -c pytorch -c defaults cudf=0.8 cuml=0.8 cugraph=0.8 python=3.6 cudatoolkit=10.0 

一旦命令完成運行，就可以開始用 GPU 加速數據科學了。

設置我們的數據

對于本教程，我們將介紹 DBSCAN demo 的修改版本。我將使用 Nvidia 數據科學工作站和 2 個 GPU 運行這個測試。

DBSCAN 是一種基于密度的聚類算法，可以自動對數據進行分類，而無需用戶指定有多少組數據。在 Scikit-Learn 中有它的實現。

我們將從獲取所有導入設置開始。先導入用于加載數據、可視化數據和應用 ML 模型的庫。

import os  
import matplotlib.pyplot as plt  
from matplotlib.colors import ListedColormap  
from sklearn.datasets import make_circles 

make_circles 函數將自動創建一個復雜的數據分布，類似于我們將應用于 DBSCAN 的兩個圓。

讓我們從創建 100000 點的數據集開始，并在圖中可視化：

X, y = make_circles(n_samples=int(1e5), factor=.35, noise=.05)  
X[:, 0] = 3*X[:, 0]  
X[:, 1] = 3*X[:, 1]  
plt.scatter(X[:, 0], X[:, 1])  
plt.show() 

CPU 上的 DBSCAN

使用 Scikit-Learn 在 CPU 上運行 DBSCAN 很容易。我們將導入我們的算法并設置一些參數。

from sklearn.cluster import DBSCAN  
db = DBSCAN(eps=0.6, min_samples=2) 

我們現在可以通過調用 Scikit-Learn 中的一個函數對循環數據使用 DBSCAN。在函數前面加上一個「%」，就可以讓 Jupyter Notebook 測量它的運行時間。

%%time  
y_db = db.fit_predict(X) 

這 10 萬個點的運行時間是 8.31 秒，如下圖所示：

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。

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) 

檢查下面的 Matplotlib 結果圖：

當使用 GPU 而不是 CPU 時，數量會急劇增加。即使在 10000 點(最左邊)，我們的速度仍然是 4.54x。在更高的一端，1 千萬點，我們切換到 GPU 時的速度是 88.04x!

本文轉自雷鋒網，如需轉載請至雷鋒網官網申請授權。