CUDA-X 数据科学

安装并使用 NVIDIA cuML 和 NVIDIA cuDF，在 UMAP、HDBSCAN、pandas 等工作负载上实现零代码改动加速

目录

• 概述
• 操作步骤

---

概述

基本思路

本 playbook 包含两个示例 notebook，演示如何使用 CUDA-X Data Science 库加速关键机器学习算法以及 pandas 的核心操作：

• NVIDIA cuDF: 无需修改代码，即可加速数据准备操作以及对 8GB 字符串数据的核心数据处理。
• NVIDIA cuML: 无需修改代码，即可加速 sci-kit learn（LinearSVC）、UMAP 和 HDBSCAN 中常见且计算密集的机器学习算法。

CUDA-X Data Science（原 RAPIDS）是一组用于加速数据科学与数据处理生态的开源库。这些库无需改动代码，就能加速 scikit-learn、pandas 等常用 Python 工具。在 DGX Spark 上，你可以直接用现有代码在桌面侧获得更高性能。

你将完成的内容

你将使用 GPU 加速常见的机器学习算法和数据分析操作，了解如何为常用 Python 工具启用加速，并理解在 DGX Spark 上运行数据科学工作流的价值。

前置条件

• 熟悉 pandas、scikit-learn，以及支持向量机、聚类、降维等机器学习算法
• 已安装 conda
• 已生成 Kaggle API key

时间与风险

• 耗时： 环境准备约 20-30 分钟，每个 notebook 运行约 2-3 分钟。
• 风险：
  • 由于网络问题，数据下载可能较慢或失败
  • Kaggle API 生成可能失败，需要重试
• 回滚： 正常使用过程中不会对系统做永久性更改。
• 最后更新： 11/07/2025
  • 文案小幅修订

操作步骤

第 1 步：验证系统要求

• 使用 nvcc --version 或 nvidia-smi 验证系统已安装 CUDA 13
• 按照这些说明安装 conda
• 按照这些说明创建 Kaggle API key，并将 kaggle.json 文件放在与 notebook 相同的文件夹中

第 2 步：安装 Data Science 库

使用以下命令安装 CUDA-X 库（这会创建一个新的 conda 环境）

  conda create -n rapids-test -c rapidsai -c conda-forge -c nvidia  \
  rapids=25.10 python=3.12 'cuda-version=13.0' \
  jupyter hdbscan umap-learn

第 3 步：激活 conda 环境

  conda activate rapids-test

第 4 步：克隆 playbook 仓库

• 克隆 GitHub 仓库，并进入 cuda-x-data-science 文件夹中的 assets 目录

    git clone https://github.com/NVIDIA/dgx-spark-playbooks
  

• 将第 1 步创建的 kaggle.json 放入 assets 文件夹

第 5 步：运行 notebooks

GitHub 仓库中包含两个 notebook。
其中一个使用 pandas 代码在 GPU 上演示大规模字符串数据处理工作流。

• 运行 cudf_pandas_demo.ipynb notebook，并在浏览器中使用 localhost:8888 访问

    jupyter notebook cudf_pandas_demo.ipynb
  

另一个演示了包括 UMAP 和 HDBSCAN 在内的机器学习算法。

• 运行 cuml_sklearn_demo.ipynb notebook，并在浏览器中使用 localhost:8888 访问

    jupyter notebook cuml_sklearn_demo.ipynb
  

如果你是远程访问 DGX-Spark，请务必转发所需端口，以便在本地浏览器中访问 notebook。请使用下面的端口转发命令：

  ssh -N -L YYYY:localhost:XXXX username@remote_host 

• YYYY：你希望在本地使用的端口（例如 8888）
• XXXX：你在远程机器上启动 Jupyter Notebook 时指定的端口（例如 8888）
• -N：阻止 SSH 执行远程命令
• -L：指定本地端口转发