使用 GPU 加速資料科學

1. 在資料科學工作流程中使用 cudf.pandas 的主要優點為何？

   提供標準 pandas 沒有的新 pandas 函式

   完全不需變更程式碼，即可自動加速 GPU 上的 pandas 作業

   可減少 pandas DataFrame 的記憶體用量

   在多部機器上啟用分散式運算

2. 如果團隊想快速設定、輕鬆使用，並安全地透過 Notebooks 協作處理資料科學工作流程，建議使用 Google Cloud 上的哪個執行階段環境？

   Compute Engine

   Vertex AI Workbench

   Colab Enterprise

   Cloud Functions

3. 在 GPU 加速機器學習的環境中，執行 cuml.accel 剖析器可協助您找出哪些項目？

   Python 程式碼中的記憶體流失

   網路延遲問題

   CPU 回退和效能瓶頸

   筆記本中的語法錯誤

4. 下列何者是使用 GPU 加速機器學習的最佳做法？

   一律使用 GPU 處理任何大小的資料集

   使用 CSV 格式載入資料最快速

   使用 Parquet 格式，並盡量採用向量化作業

   逐列處理資料，盡可能控管資料

5. 您應在 XGBoost 中設定哪個參數，才能啟用 GPU 加速功能？

   gpu=True

   accelerator='gpu'

   device='cuda'

   use_gpu=1

6. 相較於 scikit-learn 對應項目，使用 cuML 的估算器 (例如 cuml.ensemble.RandomForestClassifier) 的主要優勢是什麼？

   與 scikit-learn 相比，可支援更多超參數選項

   使用 GPU 訓練模型，大幅縮短大型資料集的擬合和預測時間

   系統會在訓練前自動執行特徵工程

   無需進行超參數調整

7. 使用 GPU 加速的 XGBoost 和 cuDF DataFrame 時，將 cuDF 資料直接傳遞至 xgb.train() 或 XGBClassifier.fit() 的主要優點為何？

   自動調整學習率

   避免 GPU 和 CPU 記憶體之間代價高昂的資料傳輸

   預設啟用多個 GPU 的訓練

   系統會自動將類別特徵轉換為數值

8. 使用 scikit-learn 程式碼時，cuml.accel 模組可讓您執行哪些操作？

   自動將 scikit-learn 模型轉換為 ONNX 格式

   在 GPU 上執行現有 scikit-learn 程式碼，幾乎或完全不需修改程式碼

   在多個 CPU 節點上發布 scikit-learn 訓練

   自動為資料集選取最佳演算法

9. cuml.accel.profile 和 cuml.accel.line_profile 都是剖析 GPU 加速 scikit-learn 程式碼的方式。下列何者是呼叫這些函式的有效方式？

   在筆記本儲存格頂端新增 %%cuml.accel.profile。

   在筆記本儲存格頂端新增 %%cuml.accel.line_profile。

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

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

   以上皆是

提交答案