NVIDIA RAPIDS
Dostarczone teksty pochodzą z oficjalnej strony internetowej RAPIDS.
RAPIDS oferuje niezrównaną prędkość przy użyciu znajomych interfejsów API, które pasują do najbardziej popularnych bibliotek PyData. Zbudowane na fundamencie najnowocześniejszych technologii, takich jak NVIDIA CUDA i Apache Arrow, RAPIDS odblokowuje prędkość GPU za pomocą kodu, który już znasz.
Jak zawsze, nasza aplikacja zawiera środowisko Jupyter Lab gotowe do użycia natychmiastowo z przeglądarki.
Uruchamianie
Nvidia RAPIDS zapewnia łatwy interfejs do pracy z danymi bezpośrednio na GPU, dlatego powinieneś uruchomić RAPIDS na przynajmniej jednym.
Nie zapomnij na początku zamontować woluminu danych.
Ilość CPU i RAMu zależy od typu i ilości wybranych GPU.
Ilość RAMu powinna wynieść co najmniej RAM ⩾ sum(vRAM) + 2GB - ale pamiętaj, że to tylko zalecenia, zawsze możesz zacząć od małej ilości i rozwijać się wraz z problemem.
$ cgc compute create --name rapids01 -c 10 -m 82 -g 1 -gt A100 -v data_volume nvidia-rapids
Dlaczego RAPIDS
RAPIDS umożliwia płynną, kreatywną interakcję z danymi dla każdego, od użytkowników BI po badaczy AI na krawędzi technologii. Akceleracja GPU oznacza mniej czasu i mniej kosztów przenoszenia danych oraz trenowania modeli.
Zobacz przypadki użycia
Szybsze Pandas z cuDF
cuDF jest niemal wymiennym zastępstwem dla Pandas w większości przypadków i ma znacznie poprawioną wydajność. cuDF zastępuje zestaw poleceń Pandas. Aby go użyć w istniejącym projekcie, po prostu zaimportuj cuDF zamiast Pandas.
import cudf as pd
Szybsze scikit-learn z cuML
cuML przynosi ogromne przyspieszenia w modelowaniu ML z API, który odpowiada scikit-learn.
Zobacz wyniki benchmarków
Szybszy NetworkX z cuGRAPH
cuGraph ułatwia migrację z NetworkX, przyspiesza analizę graficzną i pozwala na skalowanie daleko poza istniejące narzędzia. Zobacz wyniki benchmarków