NVIDIA/cuml

解决的问题

cuML 旨在克服基于 CPU 的机器学习性能瓶颈。它允许用户在 NVIDIA GPU 上运行机器学习工作负载，从而在某些基准测试中实现比 scikit-learn 快达 50 倍的显著加速。

工作原理

该库提供了两种主要的 GPU 加速方法：

1. GPU 原生 API：一个 cuml Python API，采用 scikit-learn 风格的 fit-predict-transform 模式，确保数据和计算完全在 GPU 上进行。
2. 透明加速：cuml.accel 模块允许用户在不修改其 Python 代码的情况下加速现有的 scikit-learn、UMAP 和 HDBSCAN 代码，当某个操作无法加速时会自动回退到 CPU。

对于更大的数据集，cuml.dask API 可通过 Dask 实现跨多个 GPU 和多节点集群的分布式执行。

适用人群

使用 scikit-learn 并需要将机器学习工作流扩展到更大数据集，或利用 NVIDIA GPU 缩短训练和推理时间的数据科学家和机器学习工程师。

主要亮点

• 与 scikit-learn 兼容：使用熟悉的 API，兼容 scikit-learn 1.6 及以上版本。
• 高性能：在代表性基准测试中，工作流加速最高可达 50 倍。
• 零代码变更加速：cuml.accel 可在不修改源代码的情况下为现有脚本启用 GPU 加速。
• 多 GPU 扩展：通过 cuml.dask 支持分布式机器学习。
• 广泛的算法支持：涵盖聚类、降维、回归、分类、预处理和时间序列分析。