NVIDIA/cuml

解決的問題

cuML 是為克服基於 CPU 的機器學習效能瓶頸而設計。它讓使用者能在 NVIDIA GPU 上執行機器學習工作負載，進而在某些基準測試中達到比 scikit-learn 快達 50 倍的顯著加速。

工作原理

該套件提供兩種主要的 GPU 加速方式：

1. GPU 原生 API：一個 cuml Python API，採用 scikit-learn 風格的 fit-predict-transform 模式，確保資料與運算完全在 GPU 上進行。
2. 透明加速：cuml.accel 模組允許使用者在不修改其 Python 程式碼的情況下加速現有的 scikit-learn、UMAP 和 HDBSCAN 程式碼，當某個運算無法加速時會自動回退至 CPU。

對於更大的資料集，cuml.dask API 可透過 Dask 實現跨多個 GPU 和多節點叢集的分散式執行。

適用對象

使用 scikit-learn 並需要將機器學習工作流程擴展至更大資料集，或利用 NVIDIA GPU 缩短訓練與推論時間的資料科學家與機器學習工程師。

主要亮點

• 與 scikit-learn 相容：使用熟悉的 API，相容 scikit-learn 1.6 及以上版本。
• 高效率：在代表性基準測試中，工作流程加速最高可達 50 倍。
• 零程式碼變更加速：cuml.accel 可在不修改原始碼的情況下為現有腳本啟用 GPU 加速。
• 多 GPU 擴展：透過 cuml.dask 支援分散式機器學習。
• 廣泛的演算法支援：涵蓋聚類、降維、迴歸、分類、預處理與時間序列分析。