0
雷鋒網(wǎng) AI 科技評論按，數(shù)據(jù)科學(xué)家需要算力。無論您是用 pandas 處理一個大數(shù)據(jù)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(nèi)完成這項工作。
在過去的幾年中，數(shù)據(jù)科學(xué)家常用的 Python 庫已經(jīng)非常擅長利用 CPU 能力。
Pandas 的基礎(chǔ)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(shù)據(jù)集。如果您沒有足夠的 RAM 來容納這樣的數(shù)據(jù)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(shù)據(jù)塊。
GPUs vs CPUs：并行處理
有了大量的數(shù)據(jù)，CPU 就不會切斷它了。
一個超過 100GB 的數(shù)據(jù)集將有許多數(shù)據(jù)點，數(shù)據(jù)點的數(shù)值在數(shù)百萬甚至數(shù)十億的范圍內(nèi)。有了這么多的數(shù)據(jù)點要處理，不管你的 CPU 有多快，它都沒有足夠的內(nèi)核來進行有效的并行處理。如果你的 CPU 有 20 個內(nèi)核（這將是相當昂貴的 CPU），你一次只能處理 20 個數(shù)據(jù)點！
CPU 在時鐘頻率更重要的任務(wù)中會更好——或者根本沒有 GPU 實現(xiàn)。如果你嘗試執(zhí)行的流程有一個 GPU 實現(xiàn)，且該任務(wù)可以從并行處理中受益，那么 GPU 將更加有效。
多核系統(tǒng)如何更快地處理數(shù)據(jù)。對于單核系統(tǒng)（左），所有 10 個任務(wù)都轉(zhuǎn)到一個節(jié)點。對于雙核系統(tǒng)（右），每個節(jié)點承擔 5 個任務(wù)，從而使處理速度加倍
深度學(xué)習(xí)已經(jīng)在利用 GPU 方面發(fā)揮了相當大的作用。許多在深度學(xué)習(xí)中完成的卷積操作是重復(fù)的，因此在 GPU 上可以大大加速，甚至可以達到 100 次。
今天的數(shù)據(jù)科學(xué)沒有什么不同，因為許多重復(fù)的操作都是在大數(shù)據(jù)集上執(zhí)行的，庫中有 pandas、Numpy 和 scikit-learn。這些操作也不太復(fù)雜，無法在 GPU 上實現(xiàn)。
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(shù)據(jù)科學(xué)。它使用低級別的 CUDA 代碼實現(xiàn)快速的、GPU 優(yōu)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(shù)據(jù)科學(xué)庫的集成非常順利，比如 pandas 數(shù)據(jù)幀就很容易通過 Rapids 實現(xiàn) GPU 加速。下圖說明了 Rapids 如何在保持頂層易用性的同時實現(xiàn)低層的加速。
Rapids 利用了幾個 Python 庫：
cuDF-Python GPU 數(shù)據(jù)幀。它幾乎可以做 pandas 在數(shù)據(jù)處理和操作方面所能做的一切。
cuML-cuGraph 機器學(xué)習(xí)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(xiàn)在你將看到如何使用 Rapids！
要安裝它，請訪問這個網(wǎng)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(shè)置系統(tǒng)規(guī)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(shù)據(jù)科學(xué)了。
設(shè)置我們的數(shù)據(jù)
對于本教程，我們將介紹 DBSCAN demo 的修改版本。我將使用 Nvidia 數(shù)據(jù)科學(xué)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(shù)據(jù)進行分類，而無需用戶指定有多少組數(shù)據(jù)。在 Scikit-Learn 中有它的實現(xiàn)。
我們將從獲取所有導(dǎo)入設(shè)置開始。先導(dǎo)入用于加載數(shù)據(jù)、可視化數(shù)據(jù)和應(yīng)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(shù)將自動創(chuàng)建一個復(fù)雜的數(shù)據(jù)分布，類似于我們將應(yīng)用于 DBSCAN 的兩個圓。
讓我們從創(chuàng)建 100000 點的數(shù)據(jù)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(dǎo)入我們的算法并設(shè)置一些參數(shù)。
from sklearn.cluster import DBSCAN
db = DBSCAN(eps=0.6, min_samples=2)
我們現(xiàn)在可以通過調(diào)用 Scikit-Learn 中的一個函數(shù)對循環(huán)數(shù)據(jù)使用 DBSCAN。在函數(shù)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：
使用 Scikit-Learn 在 CPU 上運行 DBSCAN 的結(jié)果
GPU 上帶 Rapids 的 DBSCAN
現(xiàn)在，讓我們用 Rapids 進行加速！
首先，我們將把數(shù)據(jù)轉(zhuǎn)換為 pandas.DataFrame 并使用它創(chuàng)建一個 cudf.DataFrame。pandas.DataFrame 無縫轉(zhuǎn)換成 cudf.DataFrame，數(shù)據(jù)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(dǎo)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(shù)格式與 Scikit-Learn 的函數(shù)格式完全相同：相同的參數(shù)、相同的樣式、相同的函數(shù)。
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(yù)測函數(shù)。
%%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(jié)果圖也與 CPU 版本完全相同。
使用 cuML 在 GPU 上運行 DBSCAN 的結(jié)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(shù)據(jù)量。一個好的經(jīng)驗法則是，較大的數(shù)據(jù)集將更加受益于 GPU 加速。在 CPU 和 GPU 之間傳輸數(shù)據(jù)有一些開銷時間——對于較大的數(shù)據(jù)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(chuàng)建一個隨機數(shù)的 Numpy 數(shù)組并對其應(yīng)用 DBSCAN。我們將比較常規(guī) CPU DBSCAN 和 cuML 的 GPU 版本的速度，同時增加和減少數(shù)據(jù)點的數(shù)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(jié)果圖：
當使用 GPU 而不是 CPU 時，數(shù)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！
Via：https://www.kdnuggets.com/2019/07/accelerate-data-science-on-gpu.html
雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
