NVIDIA/cuml

何を解決するか

cuMLは、CPUベースの機械学習におけるパフォーマンスのボトルネックを克服することを目的としています。NVIDIA GPU上で機械学習ワークロードを実行できるようにし、一部のベンチマークではscikit-learnよりも最大50倍高速な性能を実現します。

仕組み

このライブラリは、GPU加速のための2つの主要な方法を提供しています：

1. GPUネイティブAPI：scikit-learnスタイルのfit-predict-transformパターンを使用するcuml Python API。データと計算はすべてGPU上で保持されます。
2. 透明な加速：cuml.accelモジュールにより、scikit-learn、UMAP、HDBSCANの既存コードを変更せずにGPU加速できます。加速できない操作がある場合はCPUにフォールバックします。

大規模なデータセットの場合、cuml.dask APIを使用してDaskを用いて複数GPUおよびマルチノードクラスタ上で分散実行が可能になります。

対象ユーザー

scikit-learnを使用し、より大きなデータセットにスケーリングする必要がある、またはNVIDIA GPUを活用してトレーニングや推論時間を短縮したいデータサイエンティストや機械学習エンジニア。

主な特徴

• scikit-learn互換性：なじみ深いAPIを提供し、scikit-learnバージョン1.6以降と互換性があります。
• 高いパフォーマンス：代表的なベンチマークで最大50倍のワークフロー加速を実現します。
• コード変更なしの加速：cuml.accelにより、ソースコードを変更せずに既存スクリプトにGPU加速を適用できます。
• マルチGPUスケーリング：cuml.daskを介した分散機械学習をサポートします。
• 広範なアルゴリズムサポート：クラスタリング、次元削減、回帰、分類、前処理、時系列分析を含む。