CannyLab/tsne-cuda

해결하는 문제

t-분포 확률적 이웃 임베딩(t-SNE)은 고차원 데이터를 저차원 공간에 시각화하는 데 널리 사용되는 기법이지만, 계산 비용이 높고 처리 속도가 느려 대규모 데이터셋에서는 사용하기 어렵습니다. 이 프로젝트는 이러한 문제를 해결합니다.

작동 방식

이 프로젝트는 FIt-SNE 알고리즘의 최적화된 CUDA 구현입니다. GPU 가속을 통해 임베딩 계산을 크게 가속화합니다. 사용이 쉬운 scikit-learn API를 따르는 C++ 라이브러리와 Python 래퍼를 제공합니다.

대상 사용자

1,000만 개의 점까지 포함하는 거대한 고차원 데이터셋을 시각화해야 하며, Sklearn이나 Multicore-TSNE와 같은 CPU 기반 라이브러리보다 훨씬 빠른 처리 속도를 필요로 하는 데이터 과학자 및 연구자에게 적합합니다.

주요 특징

• 극도의 속도 향상: 호환 가능한 GPU에서 Sklearn보다 최대 1200배, Multicore-TSNE보다 50배 빠릅니다.
• 높은 확장성: 1,000점에서 1,000만 점까지의 데이터셋을 처리할 수 있습니다.
• 익숙한 API: Python 래퍼는 sklearn.manifold.TSNE와 호환됩니다.
• 검증된 품질: 다른 최첨단 구현과 동등한 임베딩 품질을 제공합니다.