Allison Ding – NVIDIA 技術博客
http://www.open-lab.net/zh-cn/blog
閱讀開發者創建的最新技術信息、頭條新聞 和內容。
Wed, 14 May 2025 07:12:23 +0000
zh-CN
hourly
1
196178272 -
借助超參數優化實現堆疊泛化：使用 NVIDIA cuML 在15分鐘內最大化準確性
http://www.open-lab.net/zh-cn/blog/stacking-generalization-with-hpo-maximize-accuracy-in-15-minutes-with-nvidia-cuml/
Thu, 01 May 2025 07:09:25 +0000
http://www.open-lab.net/zh-cn/blog/?p=13850
Continued]]>
堆疊泛化是機器學習 (ML) 工程師廣泛使用的技術，通過組合多個模型來提高整體預測性能。另一方面，超參數優化 (HPO) 涉及系統搜索最佳超參數集，以更大限度地提高給定 ML 算法的性能。 同時使用堆棧和 HPO 時，一個常見的挑戰是巨大的計算需求。這些方法通常需要訓練多個模型，并針對每個模型迭代大量超參數組合。這可能會很快變得耗費大量資源和時間，尤其是對于大型數據集而言。 在本文中，我們將演示如何簡化此工作流，該工作流將堆棧泛化與 HPO 相結合。我們將展示如何使用 cuML 庫的 GPU 加速計算在短短 15 分鐘內執行此工作流。得益于 cuML 與 scikit-learn 的零代碼更改集成，您可以使用現有的 ML 工作流進行 GPU 加速 (無需修改代碼) ，并實現相同的模型準確性。與基于 CPU 的執行 (通常一次只運行一個試驗) 不同，
Source
]]>
13850
-
適用于數據科學的 GPU 加速入門
http://www.open-lab.net/zh-cn/blog/get-started-with-gpu-acceleration-for-data-science/
Thu, 06 Feb 2025 04:11:52 +0000
http://www.open-lab.net/zh-cn/blog/?p=12857
Continued]]>
在數據科學領域，運營效率是處理日益復雜和大型數據集的關鍵。GPU 加速已成為現代工作流程的關鍵，可顯著提高性能。 RAPIDS 是由 NVIDIA 開發的一套開源庫和框架，旨在使用 GPU 以盡可能減少代碼更改來加速數據科學流程。RAPIDS 提供用于數據操作的 cuDF 、用于機器學習的 cuML 和用于圖形分析的 cuGraph 等工具，可實現與現有 Python 庫的無縫集成，使數據科學家更容易實現更快、更高效的處理。 本文分享了從 CPU 數據科學庫過渡到 GPU 加速工作流程的技巧，特別適合經驗豐富的數據科學家。 開始使用 RAPIDS 非常簡單，但它確實有幾個依賴項。推薦的方法是遵循官方的 RAPIDS 安裝指南 ，該指南提供了詳細的本地安裝說明。您有多種安裝框架的路徑：通過 pip install、Docker 鏡像，或通過 Conda 等環境。
Source
]]>
12857
人人超碰97caoporen国产