Mantenha tudo organizado com as coleções Salve e categorize o conteúdo com base nas suas preferências. Acelere a ciência de dados em GPUs Voltar para o módulo do Programa de treinamentos Qual é o principal benefício de usar cudf.pandas no fluxo de trabalho de ciência de dados? Ele oferece novas funções do pandas que não estão disponíveis no pandas padrão. Ele acelera automaticamente as operações do pandas na GPU sem mudanças no código. Ele reduz o consumo de memória dos DataFrames do pandas. Ele permite a computação distribuída em várias máquinas. Qual ambiente de execução no Google Cloud é recomendado para equipes que querem configuração rápida, facilidade de uso e colaboração segura para fluxos de trabalho de ciência de dados com notebooks? Compute Engine Vertex AI Workbench Colab Enterprise Cloud Functions No contexto do aprendizado de máquina acelerado por GPU, o que a execução dos criadores de perfil cuml.accel ajuda a identificar? Vazamentos de memória no seu código Python Problemas de latência de rede Recursos substitutos da CPU e gargalos de desempenho Erros de sintaxe no notebook Qual das opções a seguir é uma prática recomendada ao usar a aceleração de GPU para aprendizado de máquina? Sempre usar a GPU para conjuntos de dados de qualquer tamanho Usar o formato CSV para carregar dados mais rapidamente Use o formato Parquet e prefira operações vetorizadas Processar dados linha por linha para ter o máximo de controle Qual parâmetro você precisa definir no XGBoost para ativar a aceleração de GPU? gpu=True accelerator='gpu' device='cuda' use_gpu=1 Qual é a principal vantagem de usar os estimadores de cuML (por exemplo, cuml.ensemble.RandomForestClassifier) em vez dos equivalentes de scikit-learn? Eles oferecem mais opções de hiperparâmetros do que o scikit-learn Eles treinam modelos na GPU, reduzindo drasticamente os tempos de ajuste e previsão em grandes conjuntos de dados. Eles realizam automaticamente a engenharia de atributos antes do treinamento. Eles eliminam a necessidade de ajuste de hiperparâmetros Ao usar o XGBoost acelerado por GPU com DataFrames do cuDF, qual é um dos principais benefícios de transmitir dados do cuDF diretamente para o xgb.train() ou o XGBClassifier.fit()? Ele ajusta automaticamente a taxa de aprendizado Ele evita transferências de dados caras entre a memória da GPU e da CPU. Ele permite o treinamento em várias GPUs por padrão. Ele converte atributos categóricos em numéricos automaticamente O que o módulo cuml.accel permite fazer ao trabalhar com código scikit-learn? Converter modelos scikit-learn para o formato ONNX automaticamente Executar o código scikit-learn atual em uma GPU com poucas ou nenhuma mudança no código Distribuir o treinamento do scikit-learn em vários nós da CPU Selecionar automaticamente o melhor algoritmo para seu conjunto de dados cuml.accel.profile e cuml.accel.line_profile são maneiras de criar perfis do seu código scikit-learn acelerado por GPU. Quais das alternativas a seguir são maneiras válidas de invocar esses métodos? Adicione %%cuml.accel.profile à parte de cima de uma célula do notebook. Adicione %%cuml.accel.line_profile à parte de cima de uma célula do notebook. python -m cuml.accel --profile your_code.py python -m cuml.accel --line-profile your_code.py Todas as anteriores Enviar respostas error_outline Ocorreu um erro ao avaliar o teste. Tente novamente.
