Brian Tepera – NVIDIA 技術博客

RAPIDS 新增 GPU Polars 串流、統一 GNN API 和零代碼 ML 加速功能

Thu, 03 Jul 2025 06:36:03 +0000

RAPIDS 是一套用于 Python 數據科學的 NVIDIA CUDA-X 庫，發布了 25.06 版本，引入了令人興奮的新功能。其中包括 Polars GPU 流引擎、用于圖形神經網絡 (GNN) 的統一 API，以及用于支持向量機的加速 (無需更改代碼) 。在這篇博文中，我們將探討其中一些更新。 2024 年 9 月，我們與 Polars 團隊合作推出了基于 NVIDIA cuDF 構建的 Polars GPU 引擎。25.06 版本對 Polars GPU 引擎功能進行了一些重大更新。在 25.06 版本中，我們在 Polars GPU 引擎中引入了流式傳輸執行。流式傳輸執行程序利用數據分區和并行處理，支持在大于 VRAM 的數據集上執行。要使用此新的流式傳輸執行程序，用戶可以將適當配置的 GPUEngine 對象傳遞給 Polars 調用：

Source

]]>

如何在 Polars GPU 引擎中處理超過 VRAM 的數據

Fri, 27 Jun 2025 04:08:28 +0000

在量化金融、算法交易和欺詐檢測等高風險領域，數據從業者經常需要處理數百 GB 的數據，才能快速做出明智的決策。Polars 是發展最快的數據處理庫之一，其 GPU 引擎由 NVIDIA cuDF 提供動力支持，可加速這些領域常見的計算受限查詢，從而滿足這一需求。但是，在使用 GPU 時，一個常見的挑戰是 VRAM ( GPU 的專用內存) 通常小于系統 RAM。在使用 GPU 引擎處理非常大的數據集時，這可能會導致問題。本文將探討 Polars GPU 引擎中克服此限制的兩個選項。借助這些策略，您可以處理大于可用 VRAM 的數據，同時仍可從 GPU 加速中獲益：當數據集大小開始超過 GPU 顯存時，您可以利用 NVIDIA UVM 技術。 UVM 在系統 RAM (主機內存) 和 GPU VRAM (設備內存) 之間創建統一的內存空間。

Source

]]>

NVIDIA cuML 為 scikit-learn 帶來零代碼更改加速

Tue, 18 Mar 2025 05:59:53 +0000

Scikit-learn 是應用最廣泛的 ML 庫，因其 API 簡單、算法多樣且與 pandas 和 NumPy 等熱門 Python 庫兼容，因此在處理表格數據方面備受歡迎。現在，NVIDIA cuML 使您能夠繼續使用熟悉的 Scikit-learn API 和 Python 庫，同時使數據科學家和機器學習工程師能夠在 NVIDIA GPU 上利用 CUDA 的強大功能，而無需更改任何應用代碼。在 NVIDIA cuML 25.02 中，我們將在公測版中發布無需更改代碼即可加速 scikit-learn 算法的功能。2019 年首次推出的 NVIDIA cuML 已迅速為 Python 機器學習添加基于 CUDA 的 GPU 算法。借助最新版本，數據科學家和機器學習工程師能夠保持 scikit-learn 應用不變，并在 NVIDIA GPU 上實現比 CPU 快 50…

Source

]]>

利用 RAPIDS cuML 加速時間序列預測

Thu, 16 Jan 2025 06:20:40 +0000

時間序列預測是一種強大的數據科學技術，用于根據過去的數據點預測未來值借助 skforecast 等開源 Python 庫，您可以輕松地對數據運行時間序列預測。它們允許您“自帶”與 scikit-learn API 兼容的回歸器，讓您能夠靈活地與所選模型無縫協作。隨著數據集和技術（例如直接多步驟預測）的不斷增加，需要您一次運行多個模型，在基于 CPU 的基礎設施上運行預測時，計算成本會很快變得昂貴。 RAPIDS 是開源 GPU 加速數據科學和 AI 庫的集合。 cuML 是一個 GPU 加速的 Python 機器學習庫，具有 scikit-learn 兼容 API。在這篇博文中，我們展示了如何將 RAPIDS cuML 與 skforecast 結合使用，以加速時間序列預測，從而讓您能夠處理更大的數據集和預測窗口。在當今數據驅動的世界中，

Source

]]>