GPU 加速数据科学

什么是 RAPIDS

RAPIDS 提供无与伦比的速度，并提供与最流行的 PyData 库相匹配的熟悉 API。它构建在 NVIDIA CUDA 和 Apache Arrow 等最先进的基础之上，使用您已知的代码释放 GPU 的速度。跳转到关于部分

为何使用 RAPIDS

RAPIDS 允许从 BI 用户到前沿 AI 研究人员的每个人都能流畅、创造性地与数据交互。GPU 加速意味着更少的数据移动和模型训练时间和成本。跳转到 RAPIDS 用例

开源生态系统

RAPIDS 是开源的，可在 GitHub 上获取。我们的使命是赋能并推进开源 GPU 数据科学数据工程生态系统。跳转到 RAPIDS GitHub

cuDF 的 Pandas 加速器模式

使用 cuDF pandas 加速器模式，无需修改代码即可加快 pandas 工作流程。在加速器模式页面了解更多

由 cuDF 提供支持的 Polars GPU 引擎

启用 GPU 引擎，无需修改代码即可加速 Polars。在启动页面了解更多

使用 cuML 加速 scikit-learn

无需修改代码即可更快地运行机器学习模型。在加速机器学习页面了解更多

cuGraph 赋能 NetworkX

无需修改代码即可加快您的大规模图工作流程。在 nx-cugraph 页面了解更多

更快的 Pandas
通过 cuDF

cuDF 无需修改代码即可加速 pandas，并带来显著的性能提升。

亲自运行此基准测试

* 在 AMD EPYC 7642（使用 1 个 2.3GHz CPU 内核）w/ 512GB 和 NVIDIA A100 80GB（1 个 GPU）w/ pandas v1.5 和 cuDF v23.02 上进行的基准测试

更快的 scikit-learn
通过 cuML

cuML 通过与 scikit-learn 相匹配的 API 为机器学习建模带来巨大的加速。

亲自运行此基准测试

* 在 AMD EPYC 7642（使用 1 个 2.3GHz CPU 内核）w/ 512GB 和 NVIDIA A100 80GB（1 个 GPU）w/ scikit-learn v1.2 和 cuML v23.02 上进行的基准测试

更快的 NetworkX
通过 cuGraph

cuGraph 无需修改代码即可加速 NetworkX，从而在大规模应用中获得更高的性能。

亲自运行此基准测试

* 在 Intel(R) Xeon(R) w9-3495X w/ 250 GB 和 NVIDIA A100 80GB（1 个 GPU）w/ NetworkX v3.4.1 和 cuGraph/nx-cugraph v24.10 上进行的基准测试；WCC = 弱连通分量；Betweenness = k=100 的 Betweenness 中心性

快速入门

快速本地安装

RAPIDS 提供多种安装方法，最快的方法如下所示。

更多信息请参考 RAPIDS 安装指南

要求

A. NVIDIA Volta™ 或更高版本的 GPU，具有计算能力 7.0+

B. 兼容的 Linux 发行版或 Windows 11 上的 WSL2

C. 最近的 CUDA 版本和NVIDIA 驱动程序对。使用以下命令检查您的版本：nvidia-smi

有关详细信息，请参阅系统要求。

使用 Conda 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. 然后快速安装 RAPIDS

conda create -n rapids-25.04 -c rapidsai -c conda-forge -c nvidia rapids=25.04 python=3.12 cuda-version=12.8

使用 pip 安装

通过 NVIDIA PyPI 索引安装

pip install \
  --extra-index-url=https://pypi.nvidia.com \
  cudf-cu12==25.4.* \
  dask-cudf-cu12==25.4.* \
  cuml-cu12==25.4.* \
  cugraph-cu12==25.4.*