python使用cuML训练你的机器学习模型

作者|Khuyen Tran
编译|VK
来源|Towards Data Science

动机

Sklearn是一个很好的库，有各种机器学习模型，可以用来训练数据。但是如果你的数据很大，你可能需要很长时间来训练你的数据，特别是当你用不同的超参数来寻找最佳模型时。

有没有一种方法可以使机器学习模型的训练速度比使用Sklearn的速度快150倍？答案就是你可以使用cuML。

下面的图表比较了使用Sklearn的RandomForestClassifier和cuML的RandomForestClassifier训练同一模型所需的时间。

cuML是一套快速的，GPU加速的机器学习算法，设计用于数据科学和分析任务。它的API类似于Sklearn的，这意味着你可以使用训练Sklearn模型的代码来训练cuML的模型。

from cuml.ensemble import RandomForestClassifier

clf = KNeighborsClassifier(n_neighbors=10)
clf.fit(X, y)

在本文中，我将比较使用不同模型的这两个库的性能。我还将演示如何增加显卡，使得速度提高10倍。

安装cuML

要安装cuML，请按照Rapids页面上的说明进行安装。请确保在安装库之前检查先决条件。你可以安装所有软件包，也可以只安装cuML。如果你的计算机空间有限，我建议安装cuDF和cuML。

虽然在很多情况下，不需要安装cuDF来使用cuML，但是cuDF是cuML的一个很好的补充，因为它是一个GPU数据帧。

确保选择适合你计算机的选项。

创建数据

因为当有大量数据时，cuML通常比Sklearn更好，因此我们将使用sklearn.datasets.

从sklearn导入数据集

from sklearn import datasets
X, y  = datasets.make_classification(n_samples=40000)

将数据类型转换为np.float32因为有些cuML模型要求输入是np.float32.

X = X.astype(np.float32)
y = y.astype(np.float32)

支持向量机

我们将创建用于训练模型的函数。使用此函数将使我们更容易比较不同的模型。

def train_data(model, X=X, y=y):
    clf = model
    clf.fit(X, y)

我们使用iPython的magic命令%timeit运行每个函数7次，取所有实验的平均值。

from sklearn.svm import SVC 
from cuml.svm import SVC as SVC_gpu

clf_svc = SVC(kernel='poly', degree=2, gamma='auto', C=1)
sklearn_time_svc = %timeit -o train_data(clf_svc)

clf_svc = SVC_gpu(kernel='poly', degree=2, gamma='auto', C=1)
cuml_time_svc = %timeit -o train_data(clf_svc)

print(f"""Average time of sklearn's {clf_svc.__class__.__name__}""", sklearn_time_svc.average, 's')
print(f"""Average time of cuml's {clf_svc.__class__.__name__}""", cuml_time_svc.average, 's')

print('Ratio between sklearn and cuml is', sklearn_time_svc.average/cuml_time_svc.average)

Average time of sklearn's SVC 48.56009825014287 s
Average time of cuml's SVC 19.611496431714304 s
Ratio between sklearn and cuml is 2.476103668030909

cuML的SVC比sklearn的SVC快2.5倍！

让我们通过图片来可视化它。我们创建一个函数来绘制模型的速度。

!pip install cutecharts

import cutecharts.charts as ctc 

def plot(sklearn_time, cuml_time):

    chart = ctc.Bar('Sklearn vs cuml')
    chart.set_options(
        labels=['sklearn', 'cuml'],
        x_label='library',
        y_label='time (s)',
        )

    chart.add_series('time', data=[round(sklearn_time.average,2), round(cuml_time.average,2)])
    return chart

plot(sklearn_time_svc, cuml_time_svc).render_notebook()

更好的显卡

由于cuML的模型在运行大数据时比Sklearn的模型快，因为它们是用GPU训练的，如果我们将GPU的内存增加三倍会发生什么？

在前面的比较中，我使用的是一台搭载geforce2060的Alienware M15笔记本电脑和6.3gb的显卡内存。

现在，我将使用一个带有Quadro RTX 5000的Dell Precision 7740和17 GB的显卡内存来测试GPU内存增加时的速度。

Average time of sklearn's SVC 35.791008955999914 s
Average time of cuml's SVC 1.9953700327142931 s
Ratio between sklearn and cuml is 17.93702840535976

当它在一个显卡内存为17gb的机器上训练时，cuML的支持向量机比Sklearn的支持向量机快18倍！它的速度是笔记本电脑训练速度的10倍，显卡内存为6.3gb。

这就是为什么如果我们使用像cuML这样的GPU加速库。

随机森林分类器

clf_rf = RandomForestClassifier(max_features=1.0,
                   n_estimators=40)
sklearn_time_rf = %timeit -o train_data(clf_rf)

clf_rf = RandomForestClassifier_gpu(max_features=1.0,
                   n_estimators=40)
cuml_time_rf = %timeit -o train_data(clf_rf)

print(f"""Average time of sklearn's {clf_rf.__class__.__name__}""", sklearn_time_rf.average, 's')
print(f"""Average time of cuml's {clf_rf.__class__.__name__}""", cuml_time_rf.average, 's')

print('Ratio between sklearn and cuml is', sklearn_time_rf.average/cuml_time_rf.average)

Average time of sklearn's RandomForestClassifier 29.824075075857113 s
Average time of cuml's RandomForestClassifier 0.49404465585715635 s
Ratio between sklearn and cuml is 60.3671646323408

cuML的RandomForestClassifier比Sklearn的RandomForestClassifier快60倍!如果训练Sklearn的RandomForestClassifier需要30秒，那么训练cuML的RandomForestClassifier只需要不到半秒！

更好的显卡

Average time of Sklearn's RandomForestClassifier 24.006061030143037 s
Average time of cuML's RandomForestClassifier 0.15141178591425808 s.
The ratio between Sklearn’s and cuML is 158.54816641379068

在我的戴尔Precision 7740笔记本电脑上训练时，cuML的RandomForestClassifier比Sklearn的RandomForestClassifier快158倍！

最近邻分类器

Average time of sklearn's KNeighborsClassifier 0.07836367340000508 s
Average time of cuml's KNeighborsClassifier 0.004251259535714585 s
Ratio between sklearn and cuml is 18.43304854518441

注：y轴上的20m表示20ms。

cuML的KNeighborsClassifier比Sklearn的KNeighborsClassifier快18倍。

更大的显卡内存

Average time of sklearn's KNeighborsClassifier 0.07511190322854547 s
Average time of cuml's KNeighborsClassifier 0.0015137992111426033 s
Ratio between sklearn and cuml is 49.618141346401956

在我的戴尔Precision 7740笔记本电脑上训练时，cuML的KNeighborsClassifier比Sklearn的KNeighborsClassifier快50倍。

总结

你可以在这里找到其他比较的代码。

以下两个表总结了两个库之间不同模型的速度：

• Alienware M15-GeForce 2060和6.3 GB显卡内存

index	sklearn(s)	cuml(s)	sklearn/cuml
SVC	50.24	23.69	2.121
RandomForestClassifier	29.82	0.443	67.32
KNeighborsClassifier	0.078	0.004	19.5
LinearRegression	0.005	0.006	0.8333
Ridge	0.021	0.006	3.5
KNeighborsRegressor	0.076	0.002	38

• Dell Precision 7740-Quadro RTX 5000和17 GB显卡内存

index	sklearn(s)	cuml(s)	sklearn/cuml
SVC	35.79	1.995	17.94
RandomForestClassifier	24.01	0.151	159
KNeighborsClassifier	0.075	0.002	37.5
LinearRegression	0.006	0.002	3
Ridge	0.005	0.002	2.5
KNeighborsRegressor	0.069	0.001	69

相当令人印象深刻，不是吗？

结论

你刚刚了解了在cuML上训练不同的模型与Sklearn相比有多快。如果使用Sklearn训练你的模型需要很长时间，我强烈建议你尝试一下cuML，因为与Sklearn的API相比，代码没有任何变化。

当然，如果库使用GPU来执行像cuML这样的代码，那么你拥有的显卡越好，训练的速度就越快。

有关其他机器学习模型的详细信息，请参阅cuML的文档：https://docs.rapids.ai/api/cuml/stable/

原文链接：https://towardsdatascience.com/train-your-machine-learning-model-150x-faster-with-cuml-69d0768a047a

欢迎关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官方文档：
http://sklearn123.com/

欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/