CannyLab/tsne-cuda

解决的问题

t分布随机邻域嵌入（t-SNE）是一种用于在低维空间中可视化高维数据的流行技术，但其计算成本高且处理速度慢，对于非常大的数据集而言，标准实现可能难以承受。本项目解决了这一问题。

工作原理

本项目是 FIt-SNE 算法的优化 CUDA 实现。通过利用 GPU 加速，显著提升了嵌入计算的速度。它提供了 C++ 库和遵循 scikit-learn API 的 Python 包装器，便于使用。

适用人群

专为需要可视化超大规模高维数据集（最多可达 1000 万点）且要求处理速度远超 Sklearn 或 Multicore-TSNE 等 CPU 基础库的数据科学家和研究人员设计。

主要亮点

• 极致加速：在兼容的 GPU 上，比 Sklearn 快最多 1200 倍，比 Multicore-TSNE 快 50 倍。
• 高度可扩展：可处理从 1K 到 10M 点的数据集。
• 熟悉 API：Python 包装器与 sklearn.manifold.TSNE 兼容。
• 经验证的质量：生成的嵌入质量与其它最先进的实现相当。