Accelerare la data science sulle GPU

1. Qual è il vantaggio principale dell'utilizzo di cudf.pandas nel flusso di lavoro di data science?

   Fornisce nuove funzioni pandas non disponibili nella libreria pandas standard

   Accelera automaticamente le operazioni pandas sulla GPU senza modifiche al codice

   Riduce il footprint della memoria dei DataFrame Pandas

   Consente il calcolo distribuito su più macchine

2. Quale ambiente di runtime su Google Cloud è consigliato per i team che desiderano configurazione rapida, facilità d'uso e collaborazione sicura per i workflow di data science con Notebook?

   Compute Engine

   Vertex AI Workbench

   Colab Enterprise

   Cloud Functions

3. Nel contesto del machine learning accelerato dalla GPU, cosa ti aiutano a identificare i profiler cuml.accel?

   Perdite di memoria nel codice Python

   Problemi di latenza di rete

   Fallback della CPU e colli di bottiglia delle prestazioni

   Errori di sintassi nel notebook

4. Quale delle seguenti è una best practice per l'utilizzo dell'accelerazione GPU per il machine learning?

   Usa sempre la GPU per set di dati di qualsiasi dimensione

   Utilizzare il formato CSV per caricare i dati più rapidamente

   Utilizza il formato Parquet e preferisci le operazioni vettoriali

   Elabora i dati riga per riga per il massimo controllo

5. Quale parametro devi impostare in XGBoost per attivare l'accelerazione GPU?

   gpu=True

   accelerator='gpu'

   device='cuda'

   use_gpu=1

6. Qual è il vantaggio principale dell'utilizzo degli stimatori di cuML (ad es. cuml.ensemble.RandomForestClassifier) rispetto ai relativi equivalenti di scikit-learn?

   Supportano più opzioni di iperparametri rispetto a scikit-learn

   Addestrano i modelli sulla GPU, riducendo drasticamente i tempi di adattamento e previsione su set di dati di grandi dimensioni

   Eseguono automaticamente il feature engineering prima dell'addestramento

   Eliminano la necessità di ottimizzare gli iperparametri

7. Quando si utilizza XGBoost con accelerazione GPU con i DataFrame cuDF, qual è un vantaggio chiave del passaggio dei dati cuDF direttamente a xgb.train() o XGBClassifier.fit()?

   Regola automaticamente il tasso di apprendimento

   Evita costosi trasferimenti di dati tra la memoria della GPU e della CPU

   Consente l'addestramento su più GPU per impostazione predefinita

   Converte automaticamente le caratteristiche categoriche in numeriche

8. Cosa ti consente di fare il modulo cuml.accel quando lavori con il codice scikit-learn?

   Convertire automaticamente i modelli scikit-learn nel formato ONNX

   Esegui il codice scikit-learn esistente sulla GPU con modifiche minime o nulle al codice

   Distribuire l'addestramento di scikit-learn su più nodi CPU

   Selezionare automaticamente l'algoritmo migliore per il tuo set di dati

9. cuml.accel.profile e cuml.accel.line_profile sono entrambi modi per profilare il codice scikit-learn con accelerazione GPU. Quali dei seguenti sono modi validi per richiamarli?

   Aggiungi %%cuml.accel.profile all'inizio di una cella del notebook.

   Aggiungi %%cuml.accel.line_profile all'inizio di una cella del blocco note.

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

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

   Tutte le risposte precedenti

Invia risposte