如何使用RAPIDS-PIP实现 GPU 加速数据科学

面对大量数据，单个 CPU 难以做到切分它。

一个超过 100GB 的数据集将有许多数据点，数据点的数值在数百万甚至数十亿的范围内。有了这么多的数据点要处理，不管你的 CPU 有多快，它都没有足够的内核来进行有效的并行处理。如果你的 CPU 有 20 个内核（这将是相当昂贵的 CPU），你一次只能处理 20 个数据点！

CPUs 在时钟频率更重要的任务中会更好—或者由于你根本没有 GPU 实现。如果你尝试执行的流程有一个 GPU 实现，且该任务可以从并行处理中受益，那么 GPU 将更加有效。

RAPIDS 是一个开源软件库套件，使您可以完全在 GPU 上执行端到端的数据科学和分析管道，旨在通过利用 GPU 加速数据科学。它使用底层 CUDA 代码来实现快速的、GPU 优化的算法，同时在顶层还有一个易于使用的 Python 层。Rapids 的美妙之处在于它与数据科学库的整合非常顺畅：像 pandas DataFrames 可以容易地传递到 Rapids，以实现 GPU 加速。下图说明了 Rapids 如何在保持顶层易用性的同时实现低层的优化和加速。

RAPIDS 官方文档

今天我们在这里介绍rapids环境的配置，对于大多数安装，您需要为 RAPIDS 安装 Conda 或 Docker 环境，我们今天在这里介绍如何利用pip配置rapids环境。

首先我们进入RAPIDS-PIP的官方文档：RAPIDS-PIP

RAPIDS用户可以再次通过pip安装RAPIDS！这是一个支持单个 GPU 使用的实验版本。

首先需要满足用pip安装的前提条件，可以看下图：

在满足前提条件后：在终端中的安装命令为：

pip install cudf-cu11 dask-cudf-cu11 --extra-index-url=https://pypi.ngc.nvidia.com
pip install cuml-cu11 --extra-index-url=https://pypi.ngc.nvidia.com
pip install cugraph-cu11 --extra-index-url=https://pypi.ngc.nvidia.com

如今的RAPIDS pip packages托管于NVIDIA NGC上，如果在ARM architecture (aarch64)上，cupy需要被分开安装。

pip install cupy-cuda11x -f https://pip.cupy.dev/aarch64

对于使用 CUDA 11.2、11.3 或 11.4 安装这些软件包时，您可能会遇到“无法导入 CuPy”错误。要解决此错误，请卸载cupy-cuda115并安装cupy-cuda11x， 如同以下情形：

此时我们使用命令：

pip uninstall cupy-cuda115; pip install cupy-cuda11x

在进行完这些步骤之后我们发现仍然会出现上述命令错误，我们从官方文档中可以进行一步一步排除：