<div align="left"><img src="https://yellow-cdn.veclightyear.com/835a84d5/dbd3febf-0572-4cb3-84da-95add836d8d4.png" width="90px"/> cuML - GPU机器学习算法</div>

cuML是一套实现机器学习算法和数学基元函数的库，它们与其他RAPIDS项目共享兼容的API。

cuML使数据科学家、研究人员和软件工程师能够在GPU上运行传统的表格式机器学习任务，而无需深入了解CUDA编程的细节。在大多数情况下，cuML的Python API与scikit-learn的API相匹配。

对于大型数据集，这些基于GPU的实现可以比其CPU等效实现快10-50倍。有关性能的详细信息，请参阅cuML基准测试笔记本。

例如，以下Python代码片段加载输入并使用cuDF在GPU上计算DBSCAN聚类：

import cudf
from cuml.cluster import DBSCAN

# 创建并填充GPU DataFrame
gdf_float = cudf.DataFrame()
gdf_float['0'] = [1.0, 2.0, 5.0]
gdf_float['1'] = [4.0, 2.0, 1.0]
gdf_float['2'] = [4.0, 2.0, 1.0]

# 设置并拟合聚类
dbscan_float = DBSCAN(eps=1.0, min_samples=1)
dbscan_float.fit(gdf_float)

print(dbscan_float.labels_)

输出：

0    0
1    1
2    2
dtype: int32

cuML还支持多GPU和多节点多GPU操作，使用Dask实现越来越多的算法。以下Python代码片段从CSV文件读取输入，并在单个节点的多个GPU上，通过Dask工作集群执行最近邻查询：

初始化配置了UCX的LocalCUDACluster，以实现CUDA数组的快速传输

# 初始化UCX以实现CUDA数组的高速传输
from dask_cuda import LocalCUDACluster

# 创建Dask单节点CUDA集群，每个设备一个工作进程
cluster = LocalCUDACluster(protocol="ucx",
                           enable_tcp_over_ucx=True,
                           enable_nvlink=True,
                           enable_infiniband=False)

加载数据并执行k-最近邻搜索。cuml.dask估计器还支持Dask.Array作为输入：

from dask.distributed import Client
client = Client(cluster)

# 在工作进程间并行读取CSV文件
import dask_cudf
df = dask_cudf.read_csv("/path/to/csv")

# 拟合最近邻模型并查询
from cuml.dask.neighbors import NearestNeighbors
nn = NearestNeighbors(n_neighbors = 10, client=client)
nn.fit(df)
neighbors = nn.kneighbors(df)

如需更多示例，请浏览我们完整的API文档，或查看我们的示例演示笔记本。最后，您可以在notebooks-contrib仓库中找到完整的端到端示例。

支持的算法

类别	算法	说明
聚类	基于密度的空间聚类应用噪声（DBSCAN）	通过Dask实现多节点多GPU
	基于密度的空间聚类应用噪声的层次结构（HDBSCAN）
	K-均值	通过Dask实现多节点多GPU
	单链接凝聚聚类
降维	主成分分析（PCA）	通过Dask实现多节点多GPU
	增量PCA
	截断奇异值分解（tSVD）	通过Dask实现多节点多GPU
	统一流形近似和投影（UMAP）	通过Dask实现多节点多GPU推理
	随机投影
	t-分布随机邻居嵌入（TSNE）
用于回归或分类的线性模型	线性回归（OLS）	通过Dask实现多节点多GPU
	带有Lasso或Ridge正则化的线性回归	通过Dask实现多节点多GPU
	ElasticNet回归
	LARS回归	（实验性）
	逻辑回归	通过Dask-GLM实现多节点多GPU 演示
	朴素贝叶斯	通过Dask实现多节点多GPU
	随机梯度下降（SGD）、坐标下降（CD）和拟牛顿（QN）（包括L-BFGS和OWL-QN）求解器用于线性模型
用于回归或分类的非线性模型	随机森林（RF）分类	通过Dask实现实验性多节点多GPU
	随机森林（RF）回归	通过Dask实现实验性多节点多GPU
	基于决策树模型的推理	森林推理库（FIL）
	K-最近邻（KNN）分类	通过Dask+UCX实现多节点多GPU，使用Faiss进行最近邻查询
	K-最近邻（KNN）回归	通过Dask+UCX实现多节点多GPU，使用Faiss进行最近邻查询
	支持向量机分类器（SVC）
	Epsilon-支持向量回归（SVR）
预处理	标准化、均值移除和方差缩放 / 归一化 / 分类特征编码 / 离散化 / 缺失值插补 / 多项式特征生成 / 即将推出自定义转换器和非线性变换	基于Scikit-Learn预处理
时间序列	Holt-Winters指数平滑
	自回归综合移动平均（ARIMA）	支持季节性（SARIMA）
模型解释	SHAP核心解释器	基于SHAP
	SHAP排列解释器	基于SHAP
执行设备互操作性		通过最少的代码更改，可在主机/CPU或设备/GPU上互换运行估计器演示
其他	K-最近邻（KNN）搜索	通过Dask+UCX实现多节点多GPU，使用Faiss进行最近邻查询

安装

请查看RAPIDS发布选择器，了解通过Conda或Docker安装每晚构建版或官方发布版cuML软件包的命令行。

从源代码构建/安装

请参阅构建指南。

贡献

请查看我们的cuML贡献指南。

参考文献

RAPIDS团队有许多深入技术探讨和示例的博客。您可以在Medium上找到它们。

有关cuML背后技术的更多细节，以及Python机器学习领域的更广泛概述，请参阅Sebastian Raschka、Joshua Patterson和Corey Nolet撰写的《Python中的机器学习：数据科学、机器学习和人工智能的主要发展和技术趋势》（2020）。

在项目中使用cuML时，请考虑引用此文献。您可以使用以下BibTeX引用格式：

@article{raschka2020machine,
  title={Python中的机器学习：数据科学、机器学习和人工智能领域的主要发展和技术趋势},
  author={Raschka, Sebastian and Patterson, Joshua and Nolet, Corey},
  journal={arXiv预印本 arXiv:2002.04803},
  year={2020}
}