Ускорьте обработку данных на графических процессорах.

1. В чём заключается основное преимущество использования cudf.pandas в вашем рабочем процессе обработки данных?

   Он предоставляет новые функции pandas, недоступные в стандартной версии pandas.

   Это автоматически ускоряет операции pandas на графическом процессоре без каких-либо изменений в коде.

   Это уменьшает объем памяти, потребляемый DataFrames из библиотеки pandas.

   Это позволяет осуществлять распределенные вычисления на нескольких машинах.

2. Какую среду выполнения в Google Cloud рекомендуется использовать командам, которым нужна быстрая настройка, простота использования и безопасная совместная работа над задачами анализа данных с помощью блокнотов Notebooks?

   Compute Engine

   Vertex AI Workbench

   Colab Enterprise

   Cloud Functions

3. В контексте машинного обучения с ускорением на графических процессорах, что помогает выявить запуск профилировщиков cuml.accel ?

   Утечки памяти в вашем коде на Python

   Проблемы с задержкой в ​​сети

   Резервные источники питания и узкие места в производительности

   Синтаксические ошибки в вашем блокноте

4. Какой из следующих вариантов является лучшей практикой при использовании ускорения GPU для машинного обучения?

   Для наборов данных любого размера всегда используйте графический процессор (GPU).

   Для максимально быстрой загрузки данных используйте формат CSV.

   Используйте формат Parquet и отдавайте предпочтение векторизованным операциям.

   Обработка данных построчно для максимального контроля.

5. Какой параметр следует установить в XGBoost, чтобы включить ускорение с помощью графического процессора?

   gpu=True

   accelerator='gpu'

   device='cuda'

   use_gpu=1

6. В чём заключается ключевое преимущество использования оценщиков из cuML (например, cuml.ensemble.RandomForestClassifier ) ​​по сравнению с их аналогами scikit-learn ?

   Они поддерживают больше вариантов гиперпараметров, чем scikit-learn.

   Они обучают модели на графическом процессоре, что значительно сокращает время обучения и прогнозирования на больших наборах данных.

   Они автоматически выполняют инженерию признаков перед обучением.

   Они устраняют необходимость в настройке гиперпараметров.

7. В чём заключается ключевое преимущество прямой передачи данных cuDF в функции xgb.train() или XGBClassifier.fit() при использовании XGBoost с ускорением на графическом процессоре и DataFrames cuDF ?

   Он автоматически настраивает скорость обучения.

   Это позволяет избежать дорогостоящих передач данных между памятью графического процессора и центрального процессора.

   Это позволяет по умолчанию проводить обучение на нескольких графических процессорах.

   Он автоматически преобразует категориальные признаки в числовые.

8. Что позволяет делать модуль cuml.accel при работе с кодом scikit-learn ?

   Автоматическое преобразование моделей scikit-learn в формат ONNX

   Запустите существующий код scikit-learn на графическом процессоре с минимальными изменениями или без них.

   Распределить обучение scikit-learn между несколькими процессорными узлами

   Автоматический выбор наилучшего алгоритма для вашего набора данных.

9. И cuml.accel.profile , и cuml.accel.line_profile — это способы профилирования кода scikit-learn ускоренного на графическом процессоре. Какие из следующих способов являются допустимыми для их вызова?

   Добавьте %%cuml.accel.profile в начало ячейки блокнота.

   Добавьте %%cuml.accel.line_profile в начало ячейки блокнота.

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

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

   Все вышеперечисленное

Отправить ответы