RAPIDS v24.10 版本 在為數據科學家和開發者提供無縫用戶體驗方面又向前邁出了一步。這篇博文重點介紹了以下新功能：
- 零代碼更改加速的 NetworkX 現已正式推出（GA）
- Polars GPU 引擎 (公測版)
- 將 UMAP 引入大于 GPU 的內存數據集
- 改進了 cuDF pandas 與 NumPy 和 PyArrow 的兼容性。
- 將 GPU 集成到基于 GitHub 的 CI 系統的指南
- RAPIDS 范圍內對 Python 3.12 和 NumPy 2.x 的支持
零代碼更改加速 NetworkX?
從 NetworkX 3.4 開始，由 RAPIDS cuGraph 加速的 NetworkX 現已在 24.10 版本中正式發布。該版本增加了 GPU 加速的圖形創建、新的用戶體驗和 擴展文檔 。
加速圖形構建可實現 NetworkX 工作流程的全面端到端加速，對于 CPU 和 GPU 之間的轉換可能會降低性能的大型圖形工作流程尤其重要。
現在，通過將 NX_CUGRAPH_AUTOCONFIG 環境變量設置為 True，可以啟用完整的端到端加速 NetworkX 體驗。
%env NX_CURGAPH_AUTOCONFIG=Trueimport pandas as pdimport networkx as nxdf = pd.read_csv(url, sep=" ", names=["src", "dst"], dtype="int32")G = nx.from_pandas_edgelist(df, source="src", target="dst")%time result = nx.betweenness_centrality(G, k=10) |
端到端加速使使用 betweenness centrality、PageRank 等算法的工作流程能夠在更大的圖形上體驗高達 10 倍、50 倍甚至 500 倍的加速。
您可以在 文檔中 詳細了解由 cuGraph 加速的 NetworkX，并在 此處 探索上述基準測試的代碼。
零代碼更改加速 Polars (公測版)
9 月，由 cuDF 提供支持的 Polars GPU 引擎發布了公開測試版。在 Polars 中提供了 GPU 支持，用戶可以訪問工作流的速度最高可提升 13 倍，且無需更改代碼，相比在 CPU 上運行。
用戶可以直接在 Polars Lazy API 中構建，將 Polars 配置為在觸發計算時使用 GPU，將 `engine` 關鍵字配置為 `collect`。
import polars as pldf = pl.LazyFrame({"a": [1.242, 1.535]})q = df.select(pl.col("a").round(1))result = q.collect(engine="gpu") |
如需了解詳情，請閱讀 NVIDIA 和 Polars 公告博客或深入了解 Polars GPU 支持文檔 。或者，直接進入 Google Colab notebook 進行試用。
將 UMAP 引入大于 GPU 的內存數據集?
從 v24.10 開始，cuML 的 UMAP 算法現在支持處理大于 GPU 內存的數據集，而這在早期版本中可能會導致內存不足錯誤。通過使用 新的分批式近似近鄰算法 并可選地將完整數據集存儲在 CPU 內存中，我們能夠構建近似 KNN 圖形，同時在任何給定時間僅處理 GPU 上的數據子集。
用戶可以將新的 nnd_n_clusters 關鍵字設置為大于 1 的任何值（默認值），并（如有必要）將 data_on_host=True 關鍵字傳遞至 fit 或 fit_transform，從而利用此新的可選功能。
from cuml.manifold import UMAPimport numpy as np# Generate synthetic data using numpy (random float32 matrix)X = np.random.rand(n_samples, n_features).astype(np.float32)# UMAP parametersnum_clusters = 4 # Number of clusters for NN Descent batching, 1 means no clusteringdata_on_host = True # Whether the data is stored on the host (CPU)# UMAP model configurationreducer = UMAP( n_neighbors=10, min_dist=0.01, build_algo="nn_descent", build_kwds={"nnd_n_clusters": num_clusters},)# Fit and transform the dataembeddings = reducer.fit_transform(X, data_on_host=data_on_host) |
用戶可以從 n_clusters（例如 4） 的初始值開始，并根據需要增加該值，以管理 GPU 內存使用情況。設置值過高可能會因圖形構建的多次迭代而導致性能開銷，因此最好根據數據集的大小和可用的 GPU 內存來尋求平衡。
改進了 cuDF pandas 生態系統兼容性?
改進了代碼兼容性?
cuDF 的 pandas 加速器模式現在與 NumPy 數組完全兼容。以前，對 pandas API 生成的 NumPy 數組運行 Python isinstance 檢查，在使用 cuDF pandas 時返回 False，在使用標準 pandas 時返回 True。由于這是一個常見的代碼設計模式，一些用戶工作流程需要變通方案才能順利運行。
從 v24.10 開始，當加速器模式處于活動狀態且用戶嘗試將 DataFrame 或列轉換為數組時，cudf.pandas 現在可在功能上生成真正的 NumPy 數組 —— 消除了這個問題。例如：
%load_ext cudf.pandasimport pandas as pdimport numpy as nparr = pd.Series([1, 2, 3]).values # now returns a true numpy arrayisinstance(arr, np.ndarray) # returns True |
此更改還使依賴 NumPy C API 的代碼能夠與 cuDF pandas 順暢協作。
改進箭頭兼容性?
cuDF 現在還支持一系列 PyArrow 版本。Arrow 兼容性一直是 cuDF 用戶的痛點。到目前為止，由于我們使用 Arrow C++ API 以及對二進制兼容性的要求，cuDF 的每個版本都與非常特定的 Arrow 版本相關聯。
在此版本中，我們重寫了這些功能，僅使用 Arrow C 數據接口，這反過來又使我們完全停止使用 Arrow C++。通過這一更改，cuDF Python 現在可以支持自 PyArrow 4 以來的任何 PyArrow 版本。
將 GPU 集成到基于 GitHub 的 CI 系統的指
我們從社區了解到，找到一種簡單有效的方法將 GPU 整合到基于 GitHub 的 CI 系統中可能很有挑戰性。根據 scikit-learn 團隊 的經驗， RAPIDS 部署文檔 中添加了有效執行此操作的新指南。
GitHub Actions 現已支持 托管的 GPU 運行程序 。這意味著 GitHub 上的任何項目都可以在其持續集成（CI）工作負載中利用 NVIDIA 的 GPU 進行測試。這使得項目更容易與 RAPIDS 庫集成，并在本地測試更改是否兼容，而無需在本地擁有 GPU 硬件。
GPU 托管的運行者不包含在 GitHub Action 免費試用活動中。使用 GPU 的運行者 每分鐘的成本通常為幾美分 ，項目可以添加每月支出上限，以幫助控制成本。
要設置 GPU 運行器，請導航至組織設置的“GitHub Actions”部分，并添加新的運行器。然后，選擇 NVIDIA 合作伙伴圖像，并將“Size”更改為由 GPU 提供支持的 VM，為您的運行器提供 GPU。
然后，您可以使用 runs-on 選項配置工作流，以使用新的 runners。
name: GitHub Actions GPU Demorun-name: ${{ github.actor }} is testing out GPU GitHub Actionson: [push]jobs: gpu-workflow: runs-on: linux-nvidia-gpu steps: - name: Check GPU is available run: nvidia-smi |
有關設置 GitHub Actions GPU 驅動的工作流程的更多詳細信息，請參閱 RAPIDS 部署文檔 ，該文檔還包含有關何時運行 GPU CI 的最佳實踐，以便物盡其用。
scikit-learn 項目最近在 GitHub Actions 上設置了 GPU 運行程序，使用標簽在選定的 PR 上手動觸發 GPU 工作流。查看 他們的博客文章 ，了解他們的經驗。
RAPIDS 平臺更新?
在 24.10 中，RAPIDS 軟件包接收了一些重要更新，可與其他科學計算軟件的更新版本一起使用。軟件包現在支持 Python 3.10-3.12 以及 NumPy 1.x 和 2.x。它們現在還支持 fmt 11 和 spdlog 1.14，這些庫的版本現已用于 conda-forge 的大部分版本。作為這些增強功能的一部分，此版本還取消了對 Python 3.9 或版本低于 2.19 的 NCCL 的支持。
結束語?
RAPIDS 24.10 版本進一步推進了我們的使命，即讓數據科學家和工程師更容易使用加速計算。我們迫不及待地想知道人們將如何使用這些新功能。
如果您不熟悉 RAPIDS，請查看 這些資源 以開始使用。
?
