使用集合让一切井井有条 根据您的偏好保存内容并对其进行分类。 在 GPU 上加速数据科学研究 返回到课程 在数据科学工作流中使用 cudf.pandas 的主要优势是什么？ 它提供标准 pandas 中没有的新 pandas 函数 它无需更改代码即可自动加速 GPU 上的 Pandas 操作 它可以减少 pandas DataFrame 的内存占用 它支持跨多台机器进行分布式计算 对于希望快速设置、轻松使用并安全协作完成数据科学工作流（使用笔记本）的团队，建议使用 Google Cloud 上的哪个运行时环境？ Compute Engine Vertex AI Workbench Colab Enterprise Cloud Functions 在 GPU 加速的机器学习的背景下，运行 cuml.accel 分析器有助于您识别什么？ Python 代码中的内存泄漏 网络延迟问题 CPU 回退和性能瓶颈 笔记本中的语法错误 以下哪项是使用 GPU 加速进行机器学习时的最佳实践？ 始终使用 GPU 处理任意大小的数据集 使用 CSV 格式可实现最快的数据加载速度 使用 Parquet 格式并首选矢量化操作 逐行处理数据，实现最大程度的控制 您应在 XGBoost 中设置哪个参数来启用 GPU 加速？ gpu=True accelerator='gpu' device='cuda' use_gpu=1 与 scikit-learn 等效项相比，使用 cuML 的估算器（例如 cuml.ensemble.RandomForestClassifier）的主要优势是什么？ 它们支持的超参数选项比 scikit-learn 更多 它们在 GPU 上训练模型，可大幅缩短大型数据集的拟合和预测时间 它们会在训练之前自动执行特征工程 它们无需进行超参数调优 将 GPU 加速的 XGBoost 与 cuDF DataFrame 搭配使用时，直接将 cuDF 数据传递给 xgb.train() 或 XGBClassifier.fit() 的主要优势是什么？ 它会自动调整学习速率 避免了 GPU 和 CPU 内存之间昂贵的数据传输 默认情况下，它支持在多个 GPU 上进行训练 它会自动将分类特征转换为数值特征 使用 scikit-learn 代码时，cuml.accel 模块可让您执行哪些操作？ 自动将 scikit-learn 模型转换为 ONNX 格式 只需进行少量或无需进行任何代码更改，即可在 GPU 上运行现有的 scikit-learn 代码 在多个 CPU 节点之间分配 scikit-learn 训练任务 自动为数据集选择最佳算法 cuml.accel.profile 和 cuml.accel.line_profile 都是分析 GPU 加速的 scikit-learn 代码的方法。以下哪些是调用它们的有效方法？ 将 %%cuml.accel.profile 添加到笔记本单元的顶部。 将 %%cuml.accel.line_profile 添加到笔记本单元的顶部。 python -m cuml.accel --profile your_code.py python -m cuml.accel --line-profile your_code.py 以上皆是 提交回答 error_outline 系统对测验进行评分时出现错误。请重试。
