笔者按，数据科学家需要算力。无论您是用 pandas 处理一个大数据集，还是用 Numpy 在一个大矩阵上运行一些计算，您都需要一台强大的机器，以便在合理的时间内完成这项工作。
在过去的几年中，数据科学家常用的 Python 库已经非常擅长利用 CPU 能力。
Pandas 的基础代码是用 C 语言编写的，它可以很好地处理大小超过 100GB 的数据集。如果您没有足够的 RAM 来容纳这样的数据集，那么您可以使用分块功能，它很方便，可以一次处理一个数据块。
GPUs vs CPUs：并行处理
有了大量的数据，CPU 就不会切断它了。
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!
CPU 在时钟频率更重要的任务中会更好——或者根本没有 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。
深度学习已经在利用 GPU 方面发挥了相当大的作用。许多在深度学习中完成的卷积操作是重复的，因此在 GPU 上可以大大加速，甚至可以达到 100 次。
今天的数据科学没有什么不同，因为许多重复的操作都是在大数据集上执行的，库中有 pandas、Numpy 和 scikit-learn。这些操作也不太复杂，无法在 GPU 上实现。
最后，还有一个解决方案。
用 Rapids 加速 GPU
Rapids 是一套软件库，旨在利用 GPU 加速数据科学。它使用低级别的 CUDA 代码实现快速的、GPU 优化的算法，同时它上面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集成非常顺利，比如 pandas 数据帧就很容易通过 Rapids 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加速。
Rapids 利用了几个 Python 库：
- cuDF-Python GPU 数据帧。它几乎可以做 pandas 在数据处理和操作方面所能做的一切。
- cuML-cuGraph 机器学习库。它包含了 Scikit-Learn 拥有的许多 ML 算法，所有算法的格式都非常相似。
- cuGraph-cuGraph 图处理库。它包含许多常见的图分析算法，包括 PageRank 和各种相似性度量。
如何使用 Rapids
安装
现在你将看到如何使用 Rapids!
要安装它，请访问这个网站，在这里你将看到如何安装 Rapids。你可以通过 Conda 将其直接安装到你的机器上，或者简单地使用 Docker 容器。
安装时，可以设置系统规范，如 CUDA 版本和要安装的库。例如，我有 CUDA 10.0，想要安装所有库，所以我的安装命令是：
- 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
一旦命令完成运行，就可以开始用 GPU 加速数据科学了。
设置我们的数据
对于本教程，我们将介绍 DBSCAN demo 的修改版本。我将使用 Nvidia 数据科学工作站和 2 个 GPU 运行这个测试。
DBSCAN 是一种基于密度的聚类算法，可以自动对数据进行分类，而无需用户指定有多少组数据。在 Scikit-Learn 中有它的实现。
我们将从获取所有导入设置开始。先导入用于加载数据、可视化数据和应用 ML 模型的库。
- import os
- import matplotlib.pyplot as plt
- from matplotlib.colors import ListedColormap
- from sklearn.datasets import make_circles
make_circles 函数将自动创建一个复杂的数据分布，类似于我们将应用于 DBSCAN 的两个圆。
让我们从创建 100000 点的数据集开始，并在图中可视化：
- 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 上运行 DBSCAN 很容易。我们将导入我们的算法并设置一些参数。
- from sklearn.cluster import DBSCAN
- db = DBSCAN(eps=0.6, min_samples=2)
我们现在可以通过调用 Scikit-Learn 中的一个函数对循环数据使用 DBSCAN。在函数前面加上一个「%」，就可以让 Jupyter Notebook 测量它的运行时间。
- %%time
- y_db = db.fit_predict(X)
这 10 万个点的运行时间是 8.31 秒，如下图所示：
GPU 上带 Rapids 的 DBSCAN
现在，让我们用 Rapids 进行加速!
首先，我们将把数据转换为 pandas.DataFrame 并使用它创建一个 cudf.DataFrame。pandas.DataFrame 无缝转换成 cudf.DataFrame，数据格式无任何更改。
- 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)
然后我们将从 cuML 导入并初始化一个特殊版本的 DBSCAN，它是 GPU 加速的版本。DBSCAN 的 cuML 版本的函数格式与 Scikit-Learn 的函数格式完全相同：相同的参数、相同的样式、相同的函数。
- from cuml import DBSCAN as cumlDBSCAN
- db_gpu = cumlDBSCAN(eps=0.6, min_samples=2)
最后，我们可以在测量运行时间的同时运行 GPU DBSCAN 的预测函数。
- %%time
- y_db_gpu = db_gpu.fit_predict(X_gpu)
GPU 版本的运行时间为 4.22 秒，几乎加速了 2 倍。由于我们使用的是相同的算法，因此结果图也与 CPU 版本完全相同。
使用 Rapids GPU 获得超高速
我们从 Rapids 获得的加速量取决于我们正在处理的数据量。一个好的经验法则是，较大的数据集将更加受益于 GPU 加速。在 CPU 和 GPU 之间传输数据有一些开销时间——对于较大的数据集，开销时间变得更「值得」。
我们可以用一个简单的例子来说明这一点。
我们将创建一个随机数的 Numpy 数组并对其应用 DBSCAN。我们将比较常规 CPU DBSCAN 和 cuML 的 GPU 版本的速度，同时增加和减少数据点的数量，以了解它如何影响我们的运行时间。
下面的代码说明如何进行测试：
- 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)
检查下面的 Matplotlib 结果图：
当使用 GPU 而不是 CPU 时，数量会急剧增加。即使在 10000 点(最左边)，我们的速度仍然是 4.54x。在更高的一端，1 千万点，我们切换到 GPU 时的速度是 88.04x!
本文转自雷锋网，如需转载请至雷锋网官网申请授权。
