佛山新网站建设市场,企业网站的网址通常包括,教人做甜点的网站,深圳网站建设网站CUML库
最近在做机器学习任务的时候发现我自己的数据集太大#xff0c;直接用sklearn 跑起来时间很长#xff0c;然后问GPT得知了有CUML库#xff0c;后来去研究了一下#xff0c;发现这个库只支持linux系统#xff0c;从官网直接获取下载命令基本上也实现不了最后#…CUML库
最近在做机器学习任务的时候发现我自己的数据集太大直接用sklearn 跑起来时间很长然后问GPT得知了有CUML库后来去研究了一下发现这个库只支持linux系统从官网直接获取下载命令基本上也实现不了最后选择使用AutoDL租了一个GPU来安装这个库。具体步骤如下。 如果是正常讨论的话本身电脑就是liunx系统按照道理说直接去下面的官网链接去过去下载指令就可以了。进去之后的界面如下反正我是没有成功单我看似乎别人都是这吗做的所以姑且把链接贴上。 链接: https://docs.rapids.ai/install#prerequisites
安装
接下啦是我的方法首先进入AutoDL官网 链接: https://www.autodl.com/home 点击右上角的控制台 点击左侧的实例容器 点击租用新的实例 选择一个带GPU的设备 滑到最底部然后选择框架以及cuda版本 点击立即创建 创建成功之后点击右侧的jupterlab 点击下面的终端创建一个终端窗口 然后再里面我们需要建立一个新的解释器环境来保证与cuml库适配不会因为python版本问题导致安装失败。 我们先输入如下指令
conda create -n rapids python3.9然后输入y敲回车进入安装 然后输入如下指令
source activate rapids进入我们刚刚安装好的环境 最关键的部分来了请运行如下命令从这个源安装cuml库
pip install --default-time300 --extra-index-urlhttps://pypi.nvidia.com cuml-cu11等待安装成功之后在命令行输入python,然后再输入import cuml OK 没问题 然后我们要在jupter上使用所以需要配置一下新的内核我们先输入exit()退出python,然后再命令行输入如下命令
python -m ipykernel install --name rapids如果遇到如下情况我们先安装ipykernel 输入如下指令安装 pip install ipykernel之后输入
python -m ipykernel install --name rapids注意一定要在新建的环境下输入该命令 如果安装错了运行如下命令删除内核
jupyter kernelspec remove rapids之后点击一下浏览器的页面刷新 再点击右侧加号 即可以看到新的内核的jupter笔记本点开笔记本。 输入
import cuml然后点击上方小三角没有报错运行成功
对比实验
为了对比我们也要安装sklearn库做一下时间的对比 回到启动页点击终端 进入终端依次输入以下两个指令
source activate rapids清华园 sklearn安装命令
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple scikit-learn看到安装成功 回到刚才建好的ipynb文件输入
import sklearn运行没报错 接下来我们用KNN算法进行以下对比 首先运行sklearn的KNN算法如下运行时间1分11秒
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score
import numpy as np
import timeX np.random.random((1000000,70))
y np.random.randint(0,2,1000000)# 分割数据为训练集和测试集
X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.3, random_state42)# 初始化KNN分类器。这里选择邻居数为3。
knn KNeighborsClassifier(n_neighbors20)# 使用训练数据拟合模型
start_time time.time() # 记录开始时间
knn.fit(X_train, y_train)# 进行预测
y_pred knn.predict(X_test)
end_time time.time() # 记录结束时间
elapsed_time end_time - start_time # 计算程序运行时间单位为秒
# 将秒数转换为小时、分钟和秒数
hours int(elapsed_time // 3600)
minutes int((elapsed_time % 3600) // 60)
seconds int(elapsed_time % 60)
print(f程序运行时间{hours}小时 {minutes}分钟 {seconds}秒\n)# 评估预测的准确性
accuracy accuracy_score(y_test, y_pred)
print(fAccuracy: {accuracy:.2f})接下来我们查找cuml库中KNN算法的API
cuml库API用法查询
链接: https://docs.rapids.ai/api/cuml/stable/
点击右上角小放大镜 然后输入sklearn中KNN算法的API名称 我研究了一下用的是这个 然后我们用
from cuml.neighbors import KNeighborsClassifier替换
from sklearn.neighbors import KNeighborsClassifier运行使用时间从1分11秒缩短为5秒
from sklearn.model_selection import train_test_split
# from sklearn.neighbors import KNeighborsClassifier
from cuml.neighbors import KNeighborsClassifierfrom sklearn.metrics import accuracy_score
import numpy as np
import timeX np.random.random((1000000,70))
y np.random.randint(0,2,1000000)# 分割数据为训练集和测试集
X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.3, random_state42)# 初始化KNN分类器。这里选择邻居数为3。
knn KNeighborsClassifier(n_neighbors20)# 使用训练数据拟合模型
start_time time.time() # 记录开始时间
knn.fit(X_train, y_train)# 进行预测
y_pred knn.predict(X_test)
end_time time.time() # 记录结束时间
elapsed_time end_time - start_time # 计算程序运行时间单位为秒
# 将秒数转换为小时、分钟和秒数
hours int(elapsed_time // 3600)
minutes int((elapsed_time % 3600) // 60)
seconds int(elapsed_time % 60)
print(f程序运行时间{hours}小时 {minutes}分钟 {seconds}秒\n)# 评估预测的准确性
accuracy accuracy_score(y_test, y_pred)
print(fAccuracy: {accuracy:.2f})完结撒花
