Przyspieszanie analizy danych na procesorach graficznych

1. Jaka jest główna korzyść z używania cudf.pandas w procesie pracy z danymi?

   Zawiera nowe funkcje biblioteki pandas, które nie są dostępne w standardowej wersji tej biblioteki.

   Automatycznie przyspiesza operacje pandas na GPU bez konieczności wprowadzania zmian w kodzie.

   Zmniejsza wykorzystanie pamięci przez struktury DataFrame biblioteki pandas

   Umożliwia przetwarzanie rozproszone na wielu maszynach.

2. Które środowisko wykonawcze w Google Cloud jest zalecane dla zespołów, które chcą szybko skonfigurować środowisko, łatwo z niego korzystać i bezpiecznie współpracować w ramach przepływów pracy związanych z badaniem danych w notatnikach?

   Compute Engine

   Vertex AI Workbench

   Colab Enterprise

   Cloud Functions

3. W kontekście uczenia maszynowego przyspieszanego przez GPU co pomaga zidentyfikować uruchomienie profilerów cuml.accel?

   Wycieki pamięci w kodzie Pythona

   Problemy z opóźnieniami sieci

   Wycofywanie się do procesora i wąskie gardła wydajności

   Błędy składniowe w notatniku

4. Która z tych opcji jest sprawdzoną metodą korzystania z akceleracji GPU w uczeniu maszynowym?

   Zawsze używaj GPU w przypadku zbiorów danych o dowolnym rozmiarze

   Używaj formatu CSV, aby najszybciej wczytywać dane

   Używaj formatu Parquet i preferuj operacje wektorowe

   Przetwarzanie danych wiersz po wierszu w celu uzyskania maksymalnej kontroli

5. Który parametr należy ustawić w XGBoost, aby włączyć akcelerację GPU?

   gpu=True

   accelerator='gpu'

   device='cuda'

   use_gpu=1

6. Jaka jest główna zaleta korzystania z estimatorów cuML (np. cuml.ensemble.RandomForestClassifier) w porównaniu z ich odpowiednikami scikit-learn?

   Obsługują więcej opcji hiperparametrów niż scikit-learn.

   Trenują modele na procesorach GPU, co znacznie skraca czas dopasowywania i prognozowania w przypadku dużych zbiorów danych.

   Automatycznie przeprowadzają inżynierię cech przed trenowaniem.

   Eliminują one konieczność dostrajania hiperparametrów.

7. Jaką kluczową korzyść daje przekazywanie danych bezpośrednio do xgb.train() lub XGBClassifier.fit() podczas korzystania z przyspieszonego przez GPU XGBoosta z cuDF ramkami danych?cuDF

   Automatycznie dostosowuje tempo uczenia się.

   Pozwala uniknąć kosztownych transferów danych między pamięcią GPU i CPU.

   Domyślnie umożliwia trenowanie na wielu procesorach graficznych.

   Automatycznie przekształca cechy kategorialne na liczbowe.

8. Co umożliwia moduł cuml.accel podczas pracy z kodem scikit-learn?

   Automatyczne konwertowanie modeli scikit-learn na format ONNX

   Uruchamiaj istniejący kod scikit-learn na GPU przy minimalnych zmianach w kodzie lub bez nich.

   Rozdzielanie trenowania scikit-learn na wiele węzłów procesora

   Automatyczne wybieranie najlepszego algorytmu dla zbioru danych

9. Zarówno cuml.accel.profile, jak i cuml.accel.line_profile to sposoby profilowania kodu scikit-learn przyspieszanego przez GPU. Które z tych sposobów wywoływania są prawidłowe?

   Dodaj %%cuml.accel.profile na początku komórki notatnika.

   Dodaj %%cuml.accel.line_profile na początku komórki notatnika.

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

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

   Wszystkie powyższe odpowiedzi

Prześlij odpowiedzi