האצת מדעי הנתונים ב-GPU

1. מה היתרון העיקרי בשימוש ב-cudf.pandas בתהליך העבודה של מדעי הנתונים?

   הספרייה מספקת פונקציות חדשות של pandas שלא זמינות ב-pandas רגיל

   הוא מאיץ באופן אוטומטי פעולות של pandas ב-GPU ללא שינויים בקוד

   היא מקטינה את נפח הזיכרון שנדרש ל-pandas DataFrames

   הוא מאפשר מחשוב מבוזר בכמה מכונות

2. איזו סביבת זמן ריצה ב-Google Cloud מומלצת לצוותים שרוצים הגדרה מהירה, קלות שימוש ושיתוף פעולה מאובטח לתהליכי עבודה של מדעי הנתונים עם מחברות?

   Compute Engine

   Vertex AI Workbench

   Colab Enterprise

   Cloud Functions

3. במסגרת למידת מכונה מואצת על ידי GPU, מה אפשר לזהות בעזרת הפעלת cuml.accel פרופילים?

   דליפות זיכרון בקוד Python

   בעיות בזמן האחזור של הרשת

   נסיגות של המעבד (CPU) וצווארי בקבוק בביצועים

   שגיאות תחביר במחברת

4. מהי שיטה מומלצת לשימוש בהאצת GPU ללמידת מכונה?

   תמיד להשתמש ב-GPU למערכי נתונים בכל גודל

   שימוש בפורמט CSV לטעינת נתונים מהירה

   שימוש בפורמט Parquet והעדפה של פעולות וקטוריות

   עיבוד שורות נתונים בנפרד כדי לקבל שליטה מקסימלית

5. איזה פרמטר צריך להגדיר ב-XGBoost כדי להפעיל האצת GPU?

   gpu=True

   accelerator='gpu'

   device='cuda'

   use_gpu=1

6. מה היתרון המרכזי בשימוש באומדנים של cuML (למשל, cuml.ensemble.RandomForestClassifier) בהשוואה לאומדנים המקבילים של scikit-learn?

   הם תומכים ביותר אפשרויות של היפר-פרמטרים מאשר scikit-learn

   הם מאמנים מודלים ב-GPU, וכך מקטינים באופן משמעותי את זמני ההתאמה והחיזוי במערכי נתונים גדולים

   הם מבצעים הנדסת תכונות באופן אוטומטי לפני האימון

   הם מייתרים את הצורך בכוונון של היפר-פרמטרים

7. כשמשתמשים ב-XGBoost עם האצת GPU באמצעות cuDF DataFrames, מה היתרון העיקרי של העברת נתוני cuDF ישירות אל xgb.train() או אל XGBClassifier.fit()?

   הוא מכוון באופן אוטומטי את קצב הלמידה

   היא מאפשרת להימנע מהעברות נתונים יקרות בין הזיכרון של ה-GPU לבין הזיכרון של ה-CPU

   ההגדרה הזו מופעלת כברירת מחדל ומאפשרת אימון על מספר מעבדי GPU

   הוא ממיר תכונות קטגוריות למספריות באופן אוטומטי

8. מה אפשר לעשות באמצעות המודול cuml.accel כשעובדים עם קוד scikit-learn?

   המרת מודלים של scikit-learn לפורמט ONNX באופן אוטומטי

   הפעלת קוד scikit-learn קיים ב-GPU עם שינויים מינימליים בקוד או ללא שינויים

   הפצה של scikit-learn אימון על פני כמה צמתי CPU

   בחירה אוטומטית של האלגוריתם הטוב ביותר למערך הנתונים

9. cuml.accel.profile ו-cuml.accel.line_profile הן שתי דרכים ליצור פרופיל של קוד scikit-learn מבוסס-GPU. אילו מהדרכים הבאות הן דרכים תקינות להפעלת הפונקציות?

   מוסיפים %%cuml.accel.profile לחלק העליון של תא ב-Notebook.

   מוסיפים %%cuml.accel.line_profile לחלק העליון של תא ב-Notebook.

   python -m cuml.accel --profile your_code.py

   python -m cuml.accel --line-profile your_code.py

   כל האפשרויות

שליחת התשובות