Tăng tốc Khoa học dữ liệu trên GPU

1. Lợi ích chính của việc sử dụng cudf.pandas trong quy trình khoa học dữ liệu là gì?

   Nó cung cấp các hàm pandas mới không có trong pandas tiêu chuẩn

   Thư viện này tự động tăng tốc các thao tác pandas trên GPU mà không cần thay đổi mã

   Thao tác này giúp giảm mức sử dụng bộ nhớ của pandas DataFrame

   Tính năng này cho phép tính toán phân tán trên nhiều máy

2. Môi trường thời gian chạy nào trên Google Cloud được đề xuất cho những nhóm muốn thiết lập nhanh chóng, dễ sử dụng và cộng tác an toàn cho quy trình khoa học dữ liệu bằng Notebooks?

   Compute Engine

   Vertex AI Workbench

   Colab Enterprise

   Cloud Functions

3. Trong bối cảnh học máy được tăng tốc bằng GPU, việc chạy trình phân tích tài nguyên cuml.accel giúp bạn xác định điều gì?

   Rò rỉ bộ nhớ trong mã Python

   Vấn đề về độ trễ mạng

   Thiết bị dự phòng CPU và điểm tắc nghẽn về hiệu suất

   Lỗi cú pháp trong sổ tay

4. Đâu là phương pháp hay nhất khi sử dụng tính năng tăng tốc GPU cho học máy?

   Luôn sử dụng GPU cho các tập dữ liệu có kích thước bất kỳ

   Sử dụng định dạng CSV để tải dữ liệu nhanh nhất

   Sử dụng định dạng Parquet và ưu tiên các thao tác được vectơ hoá

   Xử lý dữ liệu từng hàng để có quyền kiểm soát tối đa

5. Bạn nên đặt tham số nào trong XGBoost để bật tính năng tăng tốc GPU?

   gpu=True

   accelerator='gpu'

   device='cuda'

   use_gpu=1

6. Ưu điểm chính của việc sử dụng trình ước tính của cuML (ví dụ: cuml.ensemble.RandomForestClassifier) so với các trình ước tính tương đương của scikit-learn là gì?

   Chúng hỗ trợ nhiều lựa chọn siêu tham số hơn scikit-learn

   Các mô hình này huấn luyện trên GPU, giúp giảm đáng kể thời gian điều chỉnh và dự đoán trên các tập dữ liệu lớn

   Chúng tự động thực hiện kỹ thuật trích xuất tính chất trước khi huấn luyện

   Các mô hình này giúp bạn không cần điều chỉnh siêu tham số

7. Khi sử dụng XGBoost được tăng tốc bằng GPU với cuDF DataFrame, lợi ích chính của việc truyền dữ liệu cuDF trực tiếp đến xgb.train() hoặc XGBClassifier.fit() là gì?

   Nó tự động điều chỉnh tốc độ học

   Việc này giúp tránh được các hoạt động chuyển dữ liệu tốn kém giữa bộ nhớ GPU và CPU

   Theo mặc định, tính năng này cho phép huấn luyện trên nhiều GPU

   Công cụ này tự động chuyển đổi các đặc điểm phân loại thành đặc điểm bằng số

8. Mô-đun cuml.accel cho phép bạn làm gì khi làm việc với mã scikit-learn?

   Tự động chuyển đổi mô hình scikit-learn sang định dạng ONNX

   Chạy mã scikit-learn hiện có trên GPU với một vài thay đổi nhỏ hoặc không cần thay đổi mã

   Phân phối quá trình huấn luyện scikit-learn trên nhiều nút CPU

   Tự động chọn thuật toán phù hợp nhất cho tập dữ liệu của bạn

9. Cả cuml.accel.profile và cuml.accel.line_profile đều là những cách để lập hồ sơ mã scikit-learn được tăng tốc bằng GPU. Những cách nào sau đây là hợp lệ để gọi các hàm này?

   Thêm %%cuml.accel.profile vào đầu ô sổ tay.

   Thêm %%cuml.accel.line_profile vào đầu một ô sổ tay.

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

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

   Tất cả các câu trên

Gửi câu trả lời