建立机器学习模型是一个重复的过程。 这通常是死记硬背，是“循环中最快的胜利”游戏，因为您可以越快地进行迭代，就越容易探索新的理论并获得良好的答案。 这就是当今实际的企业使用AI由大型企业主导的原因之一，而大型企业可能会为此投入大量资源。
Rapids是由Nvidia孵化的几个开源项目的保护伞，该项目将整个处理流程放在GPU上，消除了I / O绑定的数据传输，同时还大大提高了每个步骤的速度。 它还为数据提供了一种通用格式，从而减轻了在不同系统之间交换数据的负担。 在用户级别，Rapids模仿了Python API，以简化该用户群的过渡。
Tidyverse食谱
典型的机器学习工作流程
急流生态系统架构
Rapids项目旨在在很大程度上复制Python的机器学习和数据分析API，但复制的是GPU，而不是CPU。 这意味着Python开发人员已经拥有了在GPU上运行所需的一切，而无需了解CUDA编程和并行操作的底层细节。 Pythonista的开发人员可以在未启用GPU的计算机上开发代码，然后进行一些调整，即可在所有可用的GPU上运行它们。
[ 也在InfoWorld上：用于AI开发的6种最佳编程语言
Nvidia CUDA工具包为数学库，并行算法和图形分析提供了较低级别的原语。 该架构的核心是基于Apache Arrow的GPU数据帧，该数据帧提供了与编程语言无关的列式内存数据结构。 用户通过cuDF和类似Pandas的API与GPU数据框进行交互。 Dask是用于并行计算的Python库，它模仿上游Python API并与CUDA库一起用于并行计算。 将Dask视为适用于Python的Spark。
快速
急流生态系统架构
cuDF，cuML和cuGraph这三个主要项目是独立开发的，但设计为可无缝协同工作。 作为该项目的一部分，也正在开发到更广泛的Python生态系统的桥梁。
急流安装
在AWS的Linux机器上通过Anaconda进行的安装非常简单，由于0.11版中的依赖项发生了变化，因此造成了一些麻烦。 安装C / C ++库以使用libcudf并不是那么容易，我建议坚持使用Python API和Conda安装过程。 Rapids包含Jupyter笔记本，也可以在Google的免费Colab上获得，从而使入门变得简单。 我使用Jupyter笔记本0.10版在Google Colab上运行代码，其中包括Nvidia Tesla T4 GPU。
IDG
Rapids的GPU数据框
数据框架是任何数据科学工作流程的核心。 这是发生功能工程的地方，并且是花费大量时间的地方，因为数据科学家会整理脏数据。 cuDF是Rapids项目，用于基于GPU的类似熊猫的数据框。 cuDF的基础是libcudf，它是一个C ++库，实现用于导入Apache Arrow数据的低级基元，在数组上执行逐元素的数学运算以及对GPU内内存矩阵执行排序，联接，分组，归约及其他操作。 libcudf的基本数据结构是GPU数据框（GDF），该数据框又以Apache Arrow的列式数据存储为模型。
快速
cuDF技术栈
Rapids Python库为用户提供了类似于数据框的高级界面，例如Pandas中的数据框。 在许多情况下，Pandas代码在cuDF上保持不变。 如果不是这种情况，通常只需要进行较小的更改。
[ 也在InfoWorld上：深度学习与机器学习：了解差异
cuDF中的用户定义函数
结束基本数据操作后，有时有时需要使用用户定义的函数（UDF）处理行和列。 cuDF提供了PyData样式的API，可以编写代码来处理更多的过程粒度数据结构，例如数组，序列和移动窗口。 当前仅支持数字和布尔类型。 使用Numba JIT编译器编译UDF，该编译器使用LLVM的子集将数字函数编译为CUDA机器代码。 这样可以大大加快GPU的运行时间。
cuDF中的字符串
尽管GPU非常适合快速处理浮点向量，但通常不会将它们用于处理字符串数据，而现实情况是，大多数数据都是以字符串形式出现的。 cuStrings是一个GPU字符串处理库，用于在字符串数组中拆分，应用正则表达式，连接，替换标记等。 与cuDF的其他功能一样，它是作为C / C ++库（libnvStrings）实现的，并由旨在模仿熊猫的Python层包装。 尽管未针对在GPU上执行优化字符串数据类型，但代码的并行执行应提供比基于CPU的字符串处理更快的速度。
从cuDF进出数据
数据帧I / O由专用库cuIO处理。 支持所有最常见的格式，包括Arrow，ORC，Parquet，HDF5和CSV。 如果您有幸在DGX-2硬件上运行，可以使用GPU Direct Storage集成将数据直接从高速存储移动到GPU，而无需使用CPU。 至关重要的用户仍将欣赏GPU在解压缩大型数据集时所提供的加速以及与Python生态系统的紧密集成。
GPU Direct Storage目前处于测试阶段，发布后将在大多数Tesla GPU上提供。 您可以只用一行代码就可以从NumPy数组，Pandas DataFrames和PyArrow表创建GPU数据框。 其他项目可以通过__cuda_array_interface__与Numba生态系统内的库交换数据。 用于神经网络库的DLPack也是受支持的接口。
使用cuDF的最大缺点可能是Python外部缺乏互操作性。 我认为，像Arrow所做的那样，专注于C / C ++ API的强大基础将能够建立更广阔的生态系统并使整个项目受益。
拉皮兹的cuML
cuML的既定目标是成为“由GPU支持的Python Scikit学习”。 从理论上讲，这意味着您只需要更改import语句，并可能需要调整一些参数来解决在CPU上运行时的差异，在这种情况下，有时使用蛮力方法会更好。 很难低估基于GPU的Scikit学习的好处。 加速是巨大的，数据分析师的生产率可以提高很多倍。 C ++ API尚未准备好在其Python绑定之外进行广泛使用，但这有望改善。
cuML还包括用于通过Dask帮助超参数调整的API，Dask是一个用于在多个节点之间扩展Python的库。 许多机器学习算法可以有效地并行化，并且cuML正在积极开发多GPU和多节点，多GPU算法。
快速
cuML算法
[ 也在InfoWorld上：2020年的人工智能预测
拉皮兹的cuGraph
cuGraph是Rapids生态系统的第三个成员，与其他人一样，cuGraph与cuDF和cuML完全集成。 它提供了图形算法，基元和实用程序的良好选择，所有这些都具有GPU加速的性能。 在cuGraph中，API的选择比Rapids的其他部分更为广泛，它们都可以使用NetworkX，Pregel，GraphBLAS和GQL（图形查询语言）。
快速
cuGraph堆栈
cuGraph在本质上更像是一个工具包，而不是cuML。 图形技术在学术界和工业界都是一个快速发展的空间。 因此，通过设计，cuGraph使开发人员可以访问C ++层和图基元，从而鼓励第三方使用cuGraph开发产品。 几所大学做出了贡献，得克萨斯州A＆M（GraphBLAS），佐治亚理工学院（Hornet）和加州大学戴维斯分校（Gunrock）的项目已经“产品化”，并归类于cuGraph。 每个项目提供一组不同的功能，所有功能都由GPU加速，并且都由相同的cuDF数据帧支持。
NetworkX是Rapids团队针对其本机界面使用的Python API。 通过该接口可以使用多种算法。 尽管只有页面排名是多GPU，但团队仍在积极开发其他版本的多GPU版本。
快速
cuGraph算法
我发现有趣的cuGraph子项目之一是cugraphBLAS，它致力于以线性代数的语言标准化图算法的构件。 基于GraphBLAS（ graphblas.org ），这是一种用于稀疏动态图处理的自定义数据结构。
Hornet的另一个cuGraph子项目，Hornet提供了一种包含图形数据的独立于系统的格式，类似于Apache arrow提供了一种独立于系统的方式处理数据框的方式。 Hornet支持大多数流行的图形格式，包括SNAP，mtx，metis和edge。
为了与接近Python社区的精神保持一致，Python的本机NetworkX包可用于研究复杂的网络。 这包括使用CUDA原语重新实现的图形和多图形的数据结构，使您可以重用许多标准图形算法并执行网络结构和分析措施。 大多数算法都是单GPU，例如NetworkX。 尽管如此，仅在GPU上运行它们就能显着提高速度，而工作仍在继续转向多GPU实施。
[ 同样在InfoWorld上：什么是CUDA？ GPU的并行编程
在急流路线图上
鉴于基于GPU的分析提供了巨大的速度，因此在将来的版本中将引入一些新项目。
DLPack和array_interface用于深度学习
多层神经网络是移至GPU的首批工作负载之一，针对该机器学习用例存在大量的代码体。 以前，DLPack是深度学习库之间数据交换的实际标准。 如今，通常支持array_interface。 急流都支持。
cuSignal
像Rapids的其他大多数项目一样，cuSignal是现有Python库（在本例中为SciPy Signal库）的GPU加速版本。 原始的SciPy信号库基于NumPy，已由其GPU加速的cuSignal中的CuPy取代。 这是Rapids设计理念在工作中的一个很好的例子。 除了少数自定义CUDA内核外，GPU的端口主要涉及替换import语句和调整一些功能参数。
将信号处理引入Rapids部门是明智之举。 信号处理无处不在，在工业和国防领域具有许多立即有用的商业应用。
空间
时空操作是GPU加速的理想选择，它们可以解决我们在日常生活中面临的许多现实问题，例如分析交通模式，土壤健康/质量和洪水风险。 移动设备（包括无人机）收集的许多数据都具有地理空间成分，而空间分析是智慧城市的核心。
与其他组件一样，cuSpatial也是一个基于CUDA原语和Thrust矢量处理库构建的C ++库，使用cuDF进行数据交换。 C ++库的使用者可以使用C ++阅读器读取点，折线和面数据。 Python用户最好使用Shapely或Fiona之类的现有Python包来填充NumPy数组，然后使用cuSpatial Python API或转换为cuDF数据帧。
用于数据可视化的cuxfilter
数据的可视化对于分析工作流以及呈现或报告结果都是至关重要的。 然而，尽管GPU可以处理数据本身的所有魔力，将数据发送到浏览器并不是一件容易的事。 受Crossfilter JavaScript库启发的cuxfilter旨在通过提供一个堆栈来弥合差距，以使第三方可视化库能够显示cuDF数据帧中的数据。
随着团队挑选出最佳的架构和连接器模式，cuxfilter进行了几次迭代。 最新的迭代利用了Jupyter笔记本电脑，Bokeh服务器和PyViz面板，而集成实验包括来自Uber，Falcon和PyDeck的项目。 该组件尚未准备就绪，但准备在Rapids 0.13中发布。 有很多活动部件，我没有亲身尝试它，但是，如果它能如期实现，那将是Rapids工具包的一个重要补充。
[ 同样在InfoWorld上：选择PyTorch进行深度学习的5个理由
使用Dask扩展和扩展
Dask是Python的分布式任务调度程序，在Python中的作用类似于Apache Spark在Scala中发挥的作用。 Dask-cuDF是一个库，提供分区的，GPU支持的数据帧。 当您计划使用cuML或正在加载大于GPU内存或分布在多个文件中的数据集时，Dask-cuDF效果很好。
就像Spark RDD（弹性分布式数据集）一样，Dask-cuDF分布式数据帧的行为几乎与本地一样，因此您可以尝试使用本地计算机并在需要扩展时迁移到分布式模型。 Dask-cuML提供了cuML多节点功能，当您没有DGX工作站的预算时，它是一个不错的选择。
