NVIDIA 加速数据科学
开创先河的硬件到软件堆栈，已针对数据科学进行优化。
GPU 加速数据科学工作流程
一直以来，数据科学工作流程缓慢又繁琐，无论是加载、筛选和操控数据，还是训练和部署模型，都依赖于 CPU 来完成。借助 NVIDIA AI 软件（包括 RAPIDS™ 开源软件库），GPU 可显著降低基础设施成本，并使端到端数据科学工作流程实现卓越性能。从笔记本电脑到数据中心，再到边缘和云端，GPU 加速的数据科学无处不在。
特性和优势
更大限度提升工作效率
减少为获得宝贵见解而等待的时间，并加快提升投资回报率。
达成更多
可将机器学习训练速度提升高达 215 倍，执行更多迭代，增加实验，并进行更深入的探索。
更高效
降低数据科学基础设施成本，同时提升数据中心效率。
借助 RAPIDS 实现零代码更改
适用于 Spark、pandas 和 networkX。
150 倍
借助 cuDF 提升 Pandas 的速度
* 根据 Groupy 高级操作 (5GB) DuckDB 数据基准进行基准测试
硬件：英特尔至强 Platinum 8480CL CPU 和 NVIDIA Grace Hopper™ GPU
软件：pandas v1.5 和 cudf.pandas v23.10
5 倍
借助 RAPIDS 加速器来提升 Spark 的速度
* NDS 2.0 基准测试是在 SF3K 关闭 UCX 的情况下使用 Parquet 十进制数据进行的
仅 CPU：8 个 n1-standard-32 CPU
GPU：8 个 g2-standard-16 GPU、8 个 L4 24GB GPU
软件：Spark RAPIDS 24.02
48 倍
借助 cuGraph 提升 NetworkX 的速度
* 使用具有约 16,384 个顶点和约 524,288 个边的合成数据集对 PageRank 进行基准测试
硬件：英特尔至强 Platinum 8480CL CPU 和 NVIDIA H100 80GB（1 个 GPU）
软件：NetworkX v3.2 和 cuGraph v23.10
使用 NVIDIA GPU 训练 XGBOOST
在单节点部署和分布式部署中，GPU 加速的 XGBoost 可为领先的机器学习算法带来颠覆以往的性能。由于训练速度比 CPU 快得多，数据科学团队可以处理更大的数据集、更快地迭代，并调优模型以更大限度地提升预测精度和业务价值。
数据准备
XGBoost
端到端
CPU: Core i9 | 端到端时间 = 数据准备 + 转换 + 训练 + 验证
立即了解如何开始使用 GPU 加速的 XGBoost
NVIDIA GPU 数据科学解决方案
了解各种不同的 NVIDIA GPU 解决方案提供的惊人加速
GPU 加速的业务的实际应用
更大限度提升机器学习工作流程的性能、生产率和投资回报率。
RAPIDS：数据科学库套件
RAPIDS 基于 NVIDIA CUDA-X AI，充分利用了超过 15 年的 NVIDIA® CUDA® 开发和机器学习专业知识。这是一款功能强大的软件，用于完全在 NVIDIA GPU 中执行端到端的数据科学训练流程，可将训练时间从数天减少到数分钟。
合作伙伴生态系统
RAPIDS 面向所有人开放，并在全球范围内的数据科学和分析领域得到广泛应用。我们的合作伙伴正在齐心协力地利用 GPU 加速分析、机器学习和深度学习方面的技术进步，彻底革新传统的大数据分析生态系统。
在线研讨会
在 NVIDIA 提供支持的数据科学工作站上转变 AI 开发
借助 XGBoost 提高机器学习性能和工作效率
RAPIDS 助力实现医疗保健领域的 GPU 加速数据科学
借助 RAPIDS 和 DGX-2 实现端到端数据科学加速
探索 GPU 加速的硬件解决方案