NVIDIA cuML：GPU 加速的机器学习库

NVIDIA cuML 是一个开源的 CUDA-X™ 数据科学库，可在 GPU 上加速 scikit-learn、UMAP 和 HDBSCAN，在无需修改代码的情况下大幅提升机器学习工作流的效率。

Notebook 演示文档

主要特性

更大限度地提高 NVIDIA GPU 的性能

cuML 优化了在 GPU 上执行的基本机器学习操作。这显著加快了模型开发和训练速度，加快了测试和参数调整迭代的速度。

零代码更改加速

cuML 包含一个 API (cuml.accel) ，可在 GPU 上运行现有的 scikit-learn、UMAP 或 HDBSCAN 代码，无需修改代码。

CPU 回退机制

cuML 的零代码更改 API (cuml.accel) 可根据覆盖率自动将代码推送到 GPU 或 CPU，从而确保您的 scikit-learn、UMAP 和 HDBSCAN 代码不会执行失败。详细内容请参阅工作原理部分。

灵活性

cuML 包含两个接口：用于热门机器学习算法的零代码更改 API，以及类似于 scikit-learn 且全面覆盖的 Python GPU 专用机器学习库。如需了解详情，请参阅文档。

可扩展性

cuML 在单 GPU 系统上即可高效处理超大数据集，相比基于 CPU 的核心机器学习库实现更具优势。

分布式计算

cuML 可大规模加速分布式机器学习应用程序，并通过热门的 Apache Spark MLlib API 在多节点多 GPU 集群上提供多达 6 TB 数据集的真实示例。

开启 cuML，将 scikit-learn 速度提升 50 倍

NVIDIA cuML 可在 GPU 上运行 scikit-learn 随机森林、UMAP 和 HDBSCAN 等热门机器学习算法，且无需更改代码。

试用 cuML

简介博客：cuML 加速器

NVIDIA cuML 为 scikit-learn、UMAP 和 HDBSCAN 带来零代码更改的 GPU 加速，并大幅提速。

阅读博客

Colab 快速入门：cuML 实战教程

cuML 预安装在 Google Colab 中，因此入门非常简单。只需切换到 GPU 运行时，并使用此 Notebook 试用 scikit-learn、UMAP 和 HDBSCAN 的 cuml.accel 即可。

在 Colab 上启动

安装 cuML

首先，使用以下代码段安装 cuML。

使用 conda 快速安装

1. 如果未安装，请下载并运行安装脚本。这将安装最新的 miniforge：

wget 
"https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-$(uname)-$(uname -m).sh"
bash Miniforge3-$(uname)-$(uname -m).sh

2. 然后使用以下命令进行安装：

conda create -n rapids-25.08 -c rapidsai -c conda-forge -c nvidia \
cuml=25.08 python=3.13 'cuda-version>=12.0,<=12.9'

使用 pip 快速安装

Install via the NVIDIA PyPI index:

pip install \
  --extra-index-url=https://pypi.nvidia.com \
  cudf-cu12==25.8.* \
  cuml-cu12==25.8.* \

请参阅 docker、WSL2 和各个库的完整安装选择器。

安装 Selector

实现 scikit-learn、UMAP 和 HDBSCAN 的 cuML 加速，无需更改代码

安装 cuML 后，可通过启用 cuml.accel 模块，在无需修改代码的情况下加速 scikit-learn、UMAP 和 HDBSCAN 工作流。请注意，并非所有 cuML 算法目前都在 cuml.accel（开放测试版）中支持，具体覆盖情况可参考“已知限制”列表。

启用 cuml.accel 可选择以下方式（需在导入 scikit-learn、UMAP 或 HDBSCAN 前进行）：

在 IPython 或 Jupyter Notebook 中加速，使用如下魔法命令：

%load_ext cuml.accel
import sklearn
...

要加速 Python 脚本，请在命令行中使用 Python 模块标志：

python -m cuml.accel script.py

如果您无法使用命令行标志，请通过导入显式启用 cudf.pandas：

import cuml.accel
cuml.accel.install()

import sklearn
...

scikit-learn 的速度提高 50 倍

与 CPU 上的 scikit-learn 相比，在 GPU 上运行 cuml.accel 和 scikit - learn 代码的传统机器学习算法的平均训练性能得到提升。

A graph showing NVIDIA cuML can accelerate scikit-learn 50x on GPUs with no code change

规格：NVIDIA H100 80GB HBM3 上的 NVIDIA cuML 25.02，英特尔至强 Platinum 8480CL 上的 scikit-learn v1.5.2

UMAP 速度提高 60 倍，HDBSCAN 速度提高 175 倍

与 CPU 上的 UMAP/ HDBSCAN 相比，在 GPU 上运行 cuml.accel 和 UMAP/ HDBSCAN 代码的传统机器学习算法的平均训练性能得到提升。

A graph showing NVIDIA cuML can accelerate UMAP 60x and HDBSCAN 175x on GPUs with no code change

规格：NVIDIA H100 80GB HBM3 上的 NVIDIA cuML 25.02，umap-learn v0.5.7，英特尔至强 Platinum 8480CL 上的 HDBScan v0.8.40

运行此基准测试。

实战教程：加速 scikit-learn、UMAP 和 HDBSCAN

深入研究这些资源，通过 cuML 加速您的机器学习工作流，包括高级 ML 技术、专用应用程序和部署优化的实操示例。

入门套件：加速主题建模

此套件演示了如何最大限度地减少噪声集群，并利用 BERTopic 和 cuml.accel 中由奖励指导的 GPU 加速方法，从而显著提高主题建模的性能。

入门套件：使用 cuML 进行堆叠

此套件展示了如何通过使用 GPU 的速度高效训练和组合众多不同的模型来实现高性能堆叠，从而在复杂的表格数据挑战中更大限度地提高准确性。

入门套件：加速单细胞基因组学

此套件展示了大规模测量和分析单细胞数据的技术，通过将 GPU 用于基因组学工作流程，加速分析周期并节省大量时间。

加速时间序列预测

本博客展示了 cuML 如何加速时间序列预测，使您能够使用 skforecast 处理更大的数据集和预测窗口，从而加快迭代速度。

博客：借助 RAPIDS cuML 加速时间序列预测

加速 UMAP 降维

本博客展示了 cuML 如何显著加快 UMAP 工作流程，将处理时间从几天缩短到几小时。了解 GPU 加速如何简化大规模降维。

博客：借助 RAPIDS cuML 在 GPU 上实现更快、更可扩展的 UMAP

使用 FIL 增强树模型推理

本博客重点介绍了森林推理库 (FIL) 如何在 cuML 中为树模型提供超快推理。探索可优化模型部署的新功能、性能提升和功能。

博客：借助 NVIDIA cuML 中的森林推理库增强基于树的模型推理

cuML 如何加速 scikit-learn、UMAP 和 HDBSCAN

cuML 通过 cuml.accel 模块在公测版中引入了零代码更改加速。加载此模块时，通过导入 scikit-learn、umap-learn 或 HDBScan，cuML 可以“截取”这些 CPU 模块的估算器。这使得所有 scikit-learn 估测器在任何给定时间都可作为 GPU 或 CPU 估测器的代理。

使用估测器时，您的代码将尽可能使用 cuML 的 GPU 加速实现。如果不能，它将回退到标准 CPU scikit-learn。这也会产生相反的效果。如果您已在 GPU 上训练模型，但不支持特定方法，cuML 将在 CPU 上重建经过训练的模型，并使用 scikit-learn 版本。

详细内容请参阅“零代码修改接口支持的算法与参数的列表”。

cuML 还提供了一个反映 scikit-learn 的 API，支持更广泛的算法集，并且适合希望更大限度地提高其定制应用性能的用户。阅读以下内容，详细内容请参阅 cuML 官方文档。