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。

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。

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。

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。

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。

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。

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。

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。

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。

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：

相当令人印象深刻，不是吗？

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：

欢迎关注磐创AI博客站：

sklearn机器学习中文官方文档：

欢迎关注磐创博客资源汇总站：