如何使用RAPIDS-PIP实现 GPU 加速数据科学

面对大量数据，单个 CPU 难以做到切分它。

一个超过 100GB 的数据集将有许多数据点，数据点的数值在数百万甚至数十亿的范围内。有了这么多的数据点要处理，不管你的 CPU 有多快，它都没有足够的内核来进行有效的并行处理。如果你的 CPU 有 20 个内核（这将是相当昂贵的 CPU），你一次只能处理 20 个数据点！

CPUs 在时钟频率更重要的任务中会更好—或者由于你根本没有 GPU 实现。如果你尝试执行的流程有一个 GPU 实现，且该任务可以从并行处理中受益，那么 GPU 将更加有效。

RAPIDS 是一个开源软件库套件，使您可以完全在 GPU 上执行端到端的数据科学和分析管道，旨在通过利用 GPU 加速数据科学。它使用底层 CUDA 代码来实现快速的、GPU 优化的算法，同时在顶层还有一个易于使用的 Python 层。Rapids 的美妙之处在于它与数据科学库的整合非常顺畅：像 pandas DataFrames 可以容易地传递到 Rapids，以实现 GPU 加速。下图说明了 Rapids 如何在保持顶层易用性的同时实现低层的优化和加速。

RAPIDS 官方文档

今天我们在这里介绍rapids环境的配置，对于大多数安装，您需要为 RAPIDS 安装 Conda 或 Docker 环境，我们今天在这里介绍如何利用pip配置rapids环境。

首先我们进入RAPIDS-PIP的官方文档：

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！