NVIDIA RAPIDS GPU ускоряет scikit-learn в десятки раз: гайд с готовым бенчмарком

Платформа NVIDIA RAPIDS GPU объединяет несколько библиотек для работы с данными и машинным обучением на видеокартах. cuML, часть этой платформы, повторяет интерфейс scikit-learn, но выполняет вычисления на GPU. Для русскоязычных пользователей это снимает барьер: не нужно переводить англоязычные туториалы и адаптировать примеры под локальное железо, достаточно взять готовый скрипт из этого гайда.

Что понадобится?

• Google Colab с GPU-средой (Runtime, Change runtime type, GPU) или локальная машина с видеокартой NVIDIA и драйвером
• Python 3.10+ и менеджер пакетов pip
• Библиотеки: cuml-cu12, cupy, scikit-learn версии 1.6 или выше, matplotlib
• Около 30 минут на установку и первый запуск
• Датасеты генерируются синтетически внутри скрипта, скачивать ничего не нужно

Пошаговая инструкция

1. Проверьте, что GPU доступен.

Откройте терминал или ячейку Colab и выполните:

nvidia-smi --query-gpu=name,memory.total,compute_cap,driver_version --format=csv

Если команда не найдена, GPU в среде нет. В Colab переключите Runtime на GPU.

2. Установите cuML.

Если библиотека ещё не стоит:

pip install -q --extra-index-url=https://pypi.nvidia.com cuml-cu12

Установка занимает от одной до трёх минут. Если в среде уже есть cuDF (библиотека RAPIDS для табличных данных на GPU), скрипт автоматически подберёт совместимую версию cuML.

3. Импортируйте библиотеки и задайте параметры.

import numpy as np
import cupy as cp
import cuml
import time

SEED = 42
N_MAIN = 200_000   # число строк основного датасета
D_MAIN = 64        # число признаков

CuPy, это аналог NumPy, который хранит массивы в памяти видеокарты.

4. Создайте синтетический датасет прямо на GPU.

from cuml.datasets import make_classification as gpu_make_classification

X_gpu, y_gpu = gpu_make_classification(
    n_samples=N_MAIN, n_features=D_MAIN, random_state=SEED
)

Данные сразу лежат в памяти видеокарты, копирование между CPU и GPU не нужно.

5. Запустите бенчмарк CPU против GPU.

Скрипт из туториала прогоняет шесть алгоритмов: PCA (метод главных компонент, уменьшение размерности), K-Means (кластеризация, группировка похожих объектов), поиск ближайших соседей, логистическую регрессию, случайный лес и DBSCAN (кластеризация по плотности, ищет группы произвольной формы). Каждый запускается сначала на CPU через scikit-learn, затем на GPU через cuML, время замеряется с синхронизацией видеокарты.

import cupy as cp

class Timer:
    def __init__(self, label):
        self.label = label
    def __enter__(self):
        cp.cuda.runtime.deviceSynchronize()
        self.t0 = time.perf_counter()
        return self
    def __exit__(self, *exc):
        cp.cuda.runtime.deviceSynchronize()
        self.dt = time.perf_counter() - self.t0
        print(f"  {self.label}: {self.dt:.3f}s")

Синхронизация (deviceSynchronize) нужна, чтобы GPU действительно завершил расчёт до остановки таймера. Без неё замер покажет время отправки задачи, а не её выполнения.

6. Попробуйте cuml.accel без правок кода.

Модуль cuml.accel (акселератор) перехватывает вызовы scikit-learn и направляет их на GPU. Запускается одной командой:

python -m cuml.accel --profile your_script.py

Флаг --profile покажет таблицу: какие вызовы ушли на GPU, а какие остались на CPU. Например, Ridge(positive=True) (линейная регрессия с ограничением на положительные коэффициенты) возвращается на CPU, потому что GPU-версия пока не поддерживает этот параметр.

7. Постройте пайплайн кластеризации и визуализации.

cuML включает GPU-версии UMAP и t-SNE (алгоритмы снижения размерности для визуализации, превращают многомерные данные в двумерную картинку) и HDBSCAN (кластеризация, которая сама определяет число групп). Весь пайплайн работает без выхода из памяти видеокарты.

8. Сохраните модель и проверьте переносимость.

Обученную на GPU модель можно сериализовать (сохранить на диск) и загрузить на машине без видеокарты. Не все модели переносятся одинаково: случайный лес через FIL (Forest Inference Library, ускоритель предсказаний деревьев) привязан к GPU.

Что делать с этим по ролям?

Автору Дзена и копирайтеру. Если пишете обзоры технологий или карточки-инструкции, этот скрипт даёт конкретные цифры ускорения на вашем железе. Можно встроить результаты бенчмарка в статью как доказательство, а не пересказывать чужие замеры.

Маркетологу. Кластеризация и снижение размерности на GPU позволяют быстрее сегментировать большие клиентские базы. Попробуйте HDBSCAN из NVIDIA RAPIDS GPU на выгрузке CRM от 50 000 записей и сравните время с обычным sklearn.

Предпринимателю в РФ. Всё работает на любой машине с NVIDIA GPU. Google Colab с бесплатным тарифом даёт доступ к T4. Из российских облаков с GPU доступны Yandex Cloud и SberCloud. Код из туториала запускается без VPN и без привязки к зарубежным сервисам, кроме pip-репозитория NVIDIA.

Скрипт из этого гайда запускается за полчаса на бесплатном Colab, и единственное, что нужно сделать прямо сейчас, это открыть ноутбук, вставить код и сравнить время CPU и GPU на своих данных, а не на чужих скриншотах.