این صفحه بهوسیله Cloud Translation API ترجمه شده است. با مجموعهها، منظم بمانید ذخیره و طبقهبندی محتوا براساس اولویتهای شما. تسریع علم داده روی پردازندههای گرافیکی (GPU) بازگشت به مسیر مزیت اصلی استفاده از cudf.pandas در گردش کار علم داده شما چیست؟ این نسخه، توابع جدیدی از پانداس را ارائه میدهد که در پانداس استاندارد موجود نیستند. به طور خودکار عملیات پانداس را روی پردازنده گرافیکی (GPU) بدون تغییر کد تسریع میکند. این باعث کاهش ردپای حافظه در دیتافریمهای پانداس میشود. این امکان محاسبات توزیعشده را در چندین ماشین فراهم میکند کدام محیط اجرا در گوگل کلود برای تیمهایی که خواهان راهاندازی سریع، سهولت استفاده و همکاری امن برای گردشهای کاری علوم داده با نوتبوکها هستند، توصیه میشود؟ موتور محاسباتی میز کار Vertex AI شرکت کولاب Cloud Functions در زمینه یادگیری ماشینی شتابیافته با GPU، اجرای پروفایلرهای cuml.accel به شما در شناسایی چه چیزی کمک میکند؟ نشت حافظه در کد پایتون شما مشکلات تأخیر شبکه مشکلات CPU و گلوگاههای عملکرد خطاهای نحوی در دفترچه یادداشت شما کدام یک از موارد زیر بهترین روش برای استفاده از شتابدهی GPU برای یادگیری ماشین است؟ همیشه برای مجموعه دادههایی با هر اندازهای از GPU استفاده کنید برای بارگذاری سریعتر دادهها از فرمت CSV استفاده کنید از قالب پارکت استفاده کنید و عملیات برداری را ترجیح دهید پردازش دادهها به صورت ردیف به ردیف برای حداکثر کنترل برای فعال کردن شتابدهی GPU، چه پارامتری را باید در XGBoost تنظیم کنید؟ gpu=True accelerator='gpu' device='cuda' use_gpu=1 مزیت کلیدی استفاده از تخمینگرهای cuML (مثلاً cuml.ensemble.RandomForestClassifier ) نسبت به معادلهای scikit-learn آنها چیست؟ آنها از گزینههای هایپرپارامتری بیشتری نسبت به scikit-learn پشتیبانی میکنند. آنها مدلها را روی GPU آموزش میدهند و به طور چشمگیری زمانهای برازش و پیشبینی را در مجموعه دادههای بزرگ کاهش میدهند. آنها به طور خودکار قبل از آموزش، مهندسی ویژگی را انجام میدهند آنها نیاز به تنظیم هایپرپارامتر را از بین میبرند هنگام استفاده از XGBoost شتابیافته با GPU به همراه cuDF DataFrames، مزیت کلیدی ارسال مستقیم دادههای cuDF به xgb.train() یا XGBClassifier.fit() چیست؟ به طور خودکار نرخ یادگیری را تنظیم میکند از انتقال پرهزینه دادهها بین حافظه GPU و CPU جلوگیری میکند. به طور پیشفرض آموزش روی چندین پردازنده گرافیکی (GPU) را فعال میکند این ویژگیها را به صورت خودکار به ویژگیهای عددی تبدیل میکند. ماژول cuml.accel هنگام کار با کد scikit-learn چه کاری را برای شما امکان پذیر می کند؟ تبدیل خودکار مدلهای scikit-learn به فرمت ONNX اجرای کد موجود scikit-learn روی GPU با حداقل تغییر یا بدون تغییر در کد توزیع آموزش scikit-learn در چندین گره CPU انتخاب خودکار بهترین الگوریتم برای مجموعه دادههای شما هر دو cuml.accel.profile و cuml.accel.line_profile روشهایی برای نمایش کد scikit-learn شتابیافته با GPU شما هستند. کدام یک از موارد زیر روشهای معتبری برای فراخوانی آنها هستند؟ %%cuml.accel.profile را به بالای یک سلول دفترچه یادداشت اضافه کنید. %%cuml.accel.line_profile را به بالای یک سلول دفترچه یادداشت اضافه کنید. python -m cuml.accel --profile your_code.py python -m cuml.accel --line-profile your_code.py همه موارد فوق ارسال پاسخها error_outline موقع نمرهدهی آزمون خطایی رخ داد. لطفاً دوباره امتحان کنید.
