Restez organisé à l'aide des collections Enregistrez et classez les contenus selon vos préférences. Accélérer la science des données sur les GPU Revenir au parcours Quel est le principal avantage de l'utilisation de cudf.pandas dans votre workflow de data science ? Il fournit de nouvelles fonctions pandas qui ne sont pas disponibles dans pandas standard. Il accélère automatiquement les opérations pandas sur GPU sans aucune modification de code. Elle réduit l'empreinte mémoire des DataFrames pandas. Il permet le calcul distribué sur plusieurs machines. Quel environnement d'exécution sur Google Cloud est recommandé pour les équipes qui souhaitent une configuration rapide, une facilité d'utilisation et une collaboration sécurisée pour les workflows de data science avec les notebooks ? Compute Engine Vertex AI Workbench Colab Enterprise Cloud Functions Dans le contexte du machine learning accéléré par GPU, qu'est-ce que l'exécution des profileurs cuml.accel vous aide-t-elle à identifier ? Fuites de mémoire dans votre code Python Problèmes de latence du réseau Replis du processeur et goulots d'étranglement des performances Erreurs de syntaxe dans votre notebook Quelle est la bonne pratique à suivre lorsque vous utilisez l'accélération GPU pour le machine learning ? Toujours utiliser le GPU pour les ensembles de données de toutes tailles Utiliser le format CSV pour charger les données le plus rapidement possible Utiliser le format Parquet et privilégier les opérations vectorisées Traiter les données ligne par ligne pour un contrôle maximal Quel paramètre devez-vous définir dans XGBoost pour activer l'accélération GPU ? gpu=True accelerator='gpu' device='cuda' use_gpu=1 Quel est l'avantage clé d'utiliser les estimateurs de cuML (par exemple, cuml.ensemble.RandomForestClassifier) par rapport à leurs équivalents scikit-learn ? Ils sont compatibles avec plus d'options d'hyperparamètres que scikit-learn. Ils entraînent les modèles sur GPU, ce qui réduit considérablement les temps d'ajustement et de prédiction sur les grands ensembles de données. Elles effectuent automatiquement l'ingénierie des caractéristiques avant l'entraînement. Ils éliminent le besoin de réglage des hyperparamètres. Lorsque vous utilisez XGBoost accéléré par GPU avec des objets DataFrame cuDF, quel est l'avantage principal de transmettre directement des données cuDF à xgb.train() ou XGBClassifier.fit() ? Il ajuste automatiquement le taux d'apprentissage. Elle évite les transferts de données coûteux entre la mémoire du GPU et celle du CPU. Il permet l'entraînement sur plusieurs GPU par défaut. Il convertit automatiquement les caractéristiques catégorielles en valeurs numériques. Que vous permet de faire le module cuml.accel lorsque vous travaillez avec du code scikit-learn ? Convertir automatiquement des modèles scikit-learn au format ONNX Exécuter le code scikit-learn existant sur GPU avec un minimum de modifications, voire aucune Répartissez l'entraînement scikit-learn entre plusieurs nœuds de processeur Sélectionner automatiquement le meilleur algorithme pour votre ensemble de données cuml.accel.profile et cuml.accel.line_profile permettent de profiler votre code scikit-learn accéléré par GPU. Quelles sont les méthodes valides pour les appeler ? Ajoutez %%cuml.accel.profile en haut d'une cellule de notebook. Ajoutez %%cuml.accel.line_profile en haut d'une cellule de notebook. python -m cuml.accel --profile your_code.py python -m cuml.accel --line-profile your_code.py Toutes les réponses ci-dessus Envoyer les réponses error_outline Une erreur s'est produite lors de la notation du quiz. Veuillez réessayer.
