CannyLab/tsne-cuda

解決的問題

t-分佈隨機鄰居嵌入（t-SNE）是一種廣泛用於在低維空間中可視化高維數據的技術，但其計算成本高且處理速度慢，對於極大型數據集而言，標準實作可能難以承受。本專案解決了此問題。

工作原理

本專案是 FIt-SNE 算法的優化 CUDA 實作。透過利用 GPU 加速，大幅提升了嵌入計算的速度。提供 C++ 庫與遵循 scikit-learn API 的 Python 包裝器，方便使用。

適用對象

專為需要可視化超大型高維數據集（最多可達 1000 萬點）且要求處理速度遠超 Sklearn 或 Multicore-TSNE 等 CPU 基礎庫的資料科學家與研究人員設計。

主要亮點

• 極致加速：在相容的 GPU 上，比 Sklearn 快最多 1200 倍，比 Multicore-TSNE 快 50 倍。
• 高度可擴展：可處理從 1K 到 10M 點的資料集。
• 熟悉 API：Python 包裝器與 sklearn.manifold.TSNE 相容。
• 經驗證的品質：產生的嵌入品質與其他先進實作相當。