svm使用gpu加速
sklearn里面的svm拿来训练真的贼慢,还不能使用多线程加速,哪怕你的cpu是8核或者16核,训练的时候只使用1核,找了各种方式没有找到
最终发现一个库,叫做thundersvm,可以做gpu加速
使用起来也十分的简单,api几乎和sklearn里面是一模一样的
安装使用pip安装就行:
pip install thundersvm
下面演示一下二分类:
import numpy as np
import pandas as pd
#from sklearn import svm
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
from imblearn.over_sampling import SMOTE, ADASYN
from imblearn.under_sampling import RandomUnderSampler
#from sklearn.model_selection import GridSearchCV
from sklearn.utils import parallel_backend
from thundersvm import SVCimport torch
#model = svm.SVC(kernel='linear',class_weight ='balanced', random_state = 12)
model = SVC(kernel='linear')
df=pd.read_csv('results.csv')df['target']=df['target'].apply(lambda x: 1 if x=='man' else 0)
print(df.head())
train,test=train_test_split(df,test_size=0.2,random_state=42)
train_data=train[[str(i+1) for i in range(512)]]#列名
train_label=train['target']sampling_strategy = 0.8
X_resampled, y_resampled = SMOTE().fit_resample(train_data, train_label)
print(X_resampled.shape)
clf =model.fit(X_resampled, y_resampled )
y_pred = model.predict(test[[str(i+1) for i in range(512)]])
print(classification_report(test['target'],y_pred))
速度真的超级快,快好几十倍
svm使用gpu加速相关推荐
- GPU加速库AmgX
GPU加速库AmgX AmgX提供了一条简单的途径来加速NVIDIA GPU上的核心求解器技术.AmgX可以为模拟的计算密集型线性求解器部分提供高达10倍的加速度,特别适合于隐式非结构化方法. 它是一 ...
- 构建可扩展的GPU加速应用程序(NVIDIA HPC)
构建可扩展的GPU加速应用程序(NVIDIA HPC) 研究人员.科学家和开发人员正在通过加速NVIDIA GPU上的高性能计算(HPC)应用来推进科学发展,NVIDIA GPU具有处理当今最具挑战性 ...
- NVIDIA Jarvis:一个GPU加速对话人工智能应用的框架
NVIDIA Jarvis:一个GPU加速对话人工智能应用的框架 Introducing NVIDIA Jarvis: A Framework for GPU-Accelerated Conversa ...
- GPU—加速数据科学工作流程
GPU-加速数据科学工作流程 GPU-ACCELERATE YOUR DATA SCIENCE WORKFLOWS 传统上,数据科学工作流程是缓慢而繁琐的,依赖于cpu来加载.过滤和操作数据,训练和部 ...
- GPU加速:宽深度推理
GPU加速:宽深度推理 Accelerating Wide & Deep Recommender Inference on GPUs 推荐系统推动了许多最流行的在线平台的参与.随着为这些系统提 ...
- AI解决方案:边缘计算和GPU加速平台
AI解决方案:边缘计算和GPU加速平台 一.适用于边缘 AI 的解决方案 AI 在边缘蓬勃发展.AI 和云原生应用程序.物联网及其数十亿的传感器以及 5G 网络现已使得在边缘大规模部署 AI 成为可能 ...
- 基于GPU加速全局紧耦合的激光-IMU融合SLAM算法(ICRA2022)
论文阅读<Globally Consistent and Tightly Coupled 3D LiDAR Inertial Mapping> 文章采用了GPU加速的trick,本质上还是 ...
- Pytorch之GPU加速计算问题以及model=model.to(device)
文章目录 model=model.to(device) GPU加速计算问题 技巧一 model=model.to(device) model=model.to(device) 这个有什么用,其实就是把 ...
- (最新最全)windows使用anaconda安装pytorch进行深度学习并使用GPU加速
本篇文章记录下自己安装pytorch的过程,由于我装过3~4次了,所以还算是比较有经验了. 文章目录 1.检查电脑配置 2.Anaconda的准备工作-添加国内镜像源 3.下载 3.测试 1.检查电脑 ...
最新文章
- J2EE架构[三层]
- boost::interprocess::wmanaged_external_buffer用法的测试程序
- 【干货】60 余家免费正版图片网站
- centos查看文件修改历史_Linux环境下查看历史操作命令及清除方法
- 今日头条成锤子“接盘侠”?“是真的!”
- 4月10日服务器例行维护公告,4月12日服务器例行维护公告(已完成)
- 在html5中插入flash,如何将Flash嵌入到HTML5中?
- GeoDa空间自相关分析和计量模型的权重问题
- EasyPR--开发详解
- pycharm提示无法加载文件 C:\Users\admin\Desktop\pythonLX\venv\Scripts\activate.ps1,因为在此系统上禁止运行脚本
- 【改】[火光摇曳]神奇的伽玛函数(下)——markdown排版
- 2476 购买贺年卡
- 5分钟带你了解python中超级好用的库 you-get
- Transformer的改进
- node.js把前台传来的base64码转成图片存放
- 【设计模式】合成复用原则
- 智慧管廊综合管理系统的搭建
- LaTex--4--各种文件类型
- 目标检测算法——YOLOV7——详解
- 给VMware kali 装中文输入法
热门文章
- Excel-VBA基础(4):菜单栏及各类窗口介绍
- linux dd删目录,dd命令详解(清除硬盘数据)
- 『面试小犀牛』有了它找工作收offer到手软!
- Linux系统下which, whereis, locate的用法
- 【SpringBoot 】结合thymeleaf的一个前端表格展示的小小Demo
- java comparable方法_JAVA comparable的使用方法与实例
- mysql 8.0.24 安装配置方法图文教程
- 2022-1-8 《聪明的投资者》学习笔记-19.股东与管理层:股息政策
- 教你如何用Python制作花式条形图
- matlab圆心提取【你想要的方法这里都有】