引言

cuML 加速 GPU 上的机器学习。该库遵循几个关键原则，理解这些原则将帮助您充分利用 cuML。

1. 在可能的情况下，匹配 scikit-learn API

cuML 估算器看起来和感觉就像 scikit-learn 估算器一样。您使用关键参数初始化它们，使用 fit 方法进行拟合，然后调用 predict 或 transform 进行推理。

import cuml.LinearRegression

model = cuml.LinearRegression()
model.fit(X_train, y)
y_prediction = model.predict(X_test)

您可以在入门笔记本和 cuML API 文档中找到更多完整的示例。

2. 接受灵活的输入类型，返回可预测的输出类型

cuML 估算器可以接受 NumPy 数组、cuDF 数据框、cuPy 数组、2d PyTorch 张量，以及几乎任何基于标准的 Python 数组输入。这依赖于 __array__ 和 __cuda_array_interface__ 标准，这些标准在 PyData 社区中广泛使用。

默认情况下，输出将镜像您提供的数据类型。因此，如果您使用 NumPy 数组拟合模型，则包含拟合系数的 model.coef_ 属性也将是 NumPy 数组。如果您使用 cuDF 的基于 GPU 的 DataFrame 和 Series 对象拟合模型，则模型的输出属性将是 cuDF 对象。您始终可以使用 memory_utils.set_global_output_type 函数覆盖此行为并选择默认数据类型。

RAPIDS 可配置输入和输出类型博客文章更详细地解释了这种方法。

3. 快速！

cuML 的估算器依赖于 libcuml 中高度优化的 CUDA 原语和算法。在现代 GPU 上，它们的性能可以超过基于 CPU 的等效项 4 倍（对于中等大小的线性回归）到 1000 倍以上（对于大规模 tSNE 降维）。cuml.benchmark 模块提供了易于使用的接口来测试您自己的硬件。

为了最大化性能，请记住 - 现代 GPU 可以拥有超过 5000 个核心，因此请确保您提供足够的数据以使其保持忙碌！在许多情况下，性能优势随着数据集的增长而出现。

了解更多

要开始学习 cuML，请仔细阅读入门笔记本。然后尝试仓库 notebooks 目录中的其他笔记本示例。最后，通过cuML 博客进行更深入的探索。