隨機森林 – NVIDIA 技術博客

NVIDIA 在制造和運營領域的 AI 應用：借助 NVIDIA CUDA-X 數據科學加速 ML 模型

Wed, 18 Jun 2025 04:45:46 +0000

從晶圓制造和電路探測到封裝芯片測試，NVIDIA 利用數據科學和機器學習來優化芯片制造和運營工作流程。這些階段會產生 TB 級的數據，而要確保質量、吞吐量和成本效益，關鍵在于快速、大規模地將這些數據轉化為切實可行的見解。多年來，我們開發了強大的 Machine Learning 流程，可解決缺陷檢測和測試優化等問題。這是一系列博客中的第一個，這些博客將分享我們使用 NVIDIA cuDF 和 NVIDIA cuML 等 CUDA-X 庫部署此類工作流的關鍵經驗。雖然這些經驗教訓來自半導體制造，但挑戰和解決方案廣泛適用于物流、質量工程和供應鏈優化。我們先從現實世界的分類任務開始：預測芯片是否通過特定測試。在更高級的場景中，目標擴展到預測芯片的性能箱（從 L1 到 L5），并將問題表述為多類別分類問題。在這兩種情況下，模型會使用來自多個來源的豐富測量信號：

Source

]]>

利用 NVIDIA cuML 中的森林推理庫加速樹模型推理

Thu, 05 Jun 2025 05:33:07 +0000

樹集成模型仍然是表格數據的首選，因為它們準確、訓練成本相對較低且速度快。但是，如果您需要低于 10 毫秒的延遲或每秒數百萬次的預測，那么在 CPU 上部署 Python 推理很快就會成為瓶頸。 2019 年，Forest Inference Library (FIL) 首次出現在 cuML 0.9 中，一直圍繞著一件事：為梯度提升樹和在 XGBoost、LightGBM、scikit-learn 或 NVIDIA cuML 中訓練的隨機森林提供快速推理。一般來說，如果您的模型可以轉換為 Treelite，則可以使用 FIL。 FIL 已在 RAPIDS 25.04 中重新設計，新的亮點包括：在本博文中，您將了解 cuML 25.04 中 FIL 的新功能、性能和特性，并了解它比以前的 cuML 版本具有的優勢。

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

]]>