Mempercepat Sains Data di GPU

1. Apa manfaat utama menggunakan cudf.pandas dalam alur kerja ilmu data Anda?

   Library ini menyediakan fungsi pandas baru yang tidak tersedia di pandas standar

   Fitur ini secara otomatis mempercepat operasi pandas di GPU tanpa perubahan kode

   Hal ini mengurangi jejak memori DataFrame pandas

   Ini memungkinkan komputasi terdistribusi di beberapa mesin

2. Lingkungan runtime mana di Google Cloud yang direkomendasikan untuk tim yang menginginkan penyiapan cepat, kemudahan penggunaan, dan kolaborasi yang aman untuk alur kerja data science dengan Notebook?

   Compute Engine

   Vertex AI Workbench

   Colab Enterprise

   Cloud Functions

3. Dalam konteks machine learning yang dipercepat GPU, apa yang dapat Anda identifikasi dengan menjalankan profiler cuml.accel?

   Kebocoran memori dalam kode Python Anda

   Masalah latensi jaringan

   Penggantian CPU dan hambatan performa

   Error sintaksis di notebook Anda

4. Manakah dari berikut ini yang merupakan praktik terbaik saat menggunakan akselerasi GPU untuk machine learning?

   Selalu gunakan GPU untuk set data dengan ukuran apa pun

   Menggunakan format CSV untuk pemuatan data tercepat

   Menggunakan format Parquet dan lebih memilih operasi tervektorisasi

   Memproses data baris demi baris untuk kontrol maksimum

5. Parameter apa yang harus Anda tetapkan di XGBoost untuk mengaktifkan akselerasi GPU?

   gpu=True

   accelerator='gpu'

   device='cuda'

   use_gpu=1

6. Apa keunggulan utama penggunaan estimator cuML (misalnya, cuml.ensemble.RandomForestClassifier) dibandingkan dengan estimator scikit-learn yang setara?

   Mereka mendukung lebih banyak opsi hyperparameter daripada scikit-learn

   Mereka melatih model di GPU, sehingga secara drastis mengurangi waktu penyesuaian dan prediksi pada set data besar

   Fitur ini secara otomatis melakukan rekayasa fitur sebelum pelatihan

   Model ini menghilangkan kebutuhan untuk penyesuaian hyperparameter

7. Saat menggunakan XGBoost yang dipercepat GPU dengan DataFrame cuDF, apa manfaat utama meneruskan data cuDF langsung ke xgb.train() atau XGBClassifier.fit()?

   Secara otomatis menyesuaikan laju pembelajaran

   Hal ini menghindari transfer data yang mahal antara memori GPU dan CPU

   Secara default, fitur ini memungkinkan pelatihan di beberapa GPU

   Mengonversi fitur kategoris menjadi numerik secara otomatis

8. Apa yang dapat Anda lakukan dengan modul cuml.accel saat bekerja dengan kode scikit-learn?

   Mengonversi model scikit-learn ke format ONNX secara otomatis

   Menjalankan kode scikit-learn yang ada di GPU dengan sedikit atau tanpa perubahan kode

   Mendistribusikan pelatihan scikit-learn di beberapa node CPU

   Memilih algoritma terbaik untuk set data Anda secara otomatis

9. cuml.accel.profile dan cuml.accel.line_profile adalah cara untuk memprofilkan kode scikit-learn yang diakselerasi GPU. Manakah dari pernyataan berikut yang merupakan cara valid untuk memanggilnya?

   Tambahkan %%cuml.accel.profile ke bagian atas sel notebook.

   Tambahkan %%cuml.accel.line_profile ke bagian atas sel notebook.

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

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

   Semua yang di atas

Kirim jawaban