เร่งการทำงานของ Data Science บน GPU

1. ประโยชน์หลักของการใช้ cudf.pandas ในเวิร์กโฟลว์ด้านวิทยาการข้อมูลคืออะไร

   โดยมีฟังก์ชัน pandas ใหม่ที่ไม่มีใน pandas มาตรฐาน

   โดยจะเร่งการทำงานของ pandas ใน GPU โดยอัตโนมัติโดยไม่ต้องเปลี่ยนแปลงโค้ด

   ซึ่งจะช่วยลดหน่วยความจำที่ใช้ของ Pandas DataFrame

   ช่วยให้การประมวลผลแบบกระจายในหลายเครื่องเป็นไปได้

2. สภาพแวดล้อมรันไทม์ใดใน Google Cloud ที่แนะนำสำหรับทีมที่ต้องการการตั้งค่าที่รวดเร็ว ใช้งานง่าย และการทำงานร่วมกันที่ปลอดภัยสำหรับเวิร์กโฟลว์ Data Science ด้วย Notebook

   Compute Engine

   Vertex AI Workbench

   Colab Enterprise

   Cloud Functions

3. ในบริบทของแมชชีนเลิร์นนิงที่เร่งความเร็วด้วย GPU การเรียกใช้cuml.accelโปรไฟล์เลอร์ช่วยให้คุณระบุอะไรได้

   หน่วยความจำรั่วในโค้ด Python

   ปัญหาเวลาในการตอบสนองของเครือข่าย

   การสำรองข้อมูล CPU และจุดคอขวดของประสิทธิภาพ

   ข้อผิดพลาดทางไวยากรณ์ใน Notebook

4. ข้อใดต่อไปนี้คือแนวทางปฏิบัติแนะนำเมื่อใช้การเร่งความเร็ว GPU สำหรับแมชชีนเลิร์นนิง

   ใช้ GPU สำหรับชุดข้อมูลทุกขนาดเสมอ

   ใช้รูปแบบ CSV เพื่อโหลดข้อมูลได้เร็วที่สุด

   ใช้รูปแบบ Parquet และใช้การดำเนินการแบบเวกเตอร์

   ประมวลผลแถวข้อมูลทีละแถวเพื่อการควบคุมสูงสุด

5. คุณควรตั้งค่าพารามิเตอร์ใดใน XGBoost เพื่อเปิดใช้การเร่งความเร็วด้วย GPU

   gpu=True

   accelerator='gpu'

   device='cuda'

   use_gpu=1

6. ข้อได้เปรียบที่สำคัญของการใช้เครื่องมือประมาณค่าของ cuML (เช่น cuml.ensemble.RandomForestClassifier) เมื่อเทียบกับเครื่องมือที่เทียบเท่าของ scikit-learn คืออะไร

   โดยรองรับตัวเลือกไฮเปอร์พารามิเตอร์มากกว่า scikit-learn

   โดยจะฝึกโมเดลใน GPU ซึ่งช่วยลดเวลาในการปรับและคาดการณ์ในชุดข้อมูลขนาดใหญ่ได้อย่างมาก

   โดยจะทำการปรับแต่ง Feature Engineering โดยอัตโนมัติก่อนการฝึก

   ซึ่งไม่จำเป็นต้องมีการปรับแต่งไฮเปอร์พารามิเตอร์

7. เมื่อใช้ XGBoost ที่เร่งความเร็วด้วย GPU กับ cuDF DataFrame ข้อดีที่สำคัญของการส่งcuDFข้อมูลไปยัง xgb.train() หรือ XGBClassifier.fit() โดยตรงคืออะไร

   โดยจะปรับอัตราการเรียนรู้โดยอัตโนมัติ

   หลีกเลี่ยงการโอนข้อมูลที่มีค่าใช้จ่ายสูงระหว่างหน่วยความจำ GPU และ CPU

   โดยจะเปิดใช้การฝึกใน GPU หลายตัวโดยค่าเริ่มต้น

   โดยจะแปลงฟีเจอร์เชิงหมวดหมู่เป็นตัวเลขโดยอัตโนมัติ

8. cuml.accel โมดูลช่วยให้คุณทำอะไรได้บ้างเมื่อทำงานกับโค้ด scikit-learn

   แปลงโมเดล scikit-learn เป็นรูปแบบ ONNX โดยอัตโนมัติ

   เรียกใช้โค้ด scikit-learn ที่มีอยู่บน GPU โดยมีการเปลี่ยนแปลงโค้ดเล็กน้อยหรือไม่มีเลย

   กระจายการฝึก scikit-learn ไปยังโหนด CPU หลายโหนด

   เลือกอัลกอริทึมที่ดีที่สุดสำหรับชุดข้อมูลโดยอัตโนมัติ

9. ทั้ง cuml.accel.profile และ cuml.accel.line_profile เป็นวิธีในการสร้างโปรไฟล์โค้ด scikit-learn ที่เร่งด้วย GPU วิธีใดต่อไปนี้เป็นวิธีที่ถูกต้องในการเรียกใช้

   เพิ่ม %%cuml.accel.profile ที่ด้านบนของเซลล์ Notebook

   เพิ่ม %%cuml.accel.line_profile ที่ด้านบนของเซลล์ Notebook

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

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

   ทุกข้อที่กล่าวมา

ส่งคำตอบ