我将 python 3 与 nvidia Rapids 一起使用，以便使用 cuml 库和 GPU 加速机器学习训练。

我的脚本还使用 keras 和 GPU 训练（通过 tf），当我到达尝试使用 CUML 的阶段时，我得到了内存错误。我怀疑这是因为 TF 没有释放 GPU 内存（查看 nvidia-smi）我看到所有内存都已分配。

这是我用来训练 cuml 模型的代码

这是我得到的错误

[2] 调用 cuMemAlloc 导致 CUDA_ERROR_OUT_OF_MEMORY

encoded_data 和 y_train 是 numpy 数组，encoded_data 是 n*m 浮点数组，y_train 是 n*1 个作为标签的整数向量，在使用 sklearn 逻辑回归进行训练时，两者都可以正常工作。

我怎么能： 1.使用相同的 GPU（首选）而不丢失我训练的所有 tf​​ 模型（我有更多的内存，然后 tf 模型在实践中需要，但 tf 进程仍然占用所有内存） 2.使用我的用于 CUML 计算的第二个 GPU（我找不到选择哪个 GPU 来运行 RAPIDS CUML 模型训练的方法。

问题

在将空值替换为布尔值的过程中，我们在列中找到空值fireplace_count。

如果fireplaceflagvalue 是Falsevaluefireplace_count null应该替换为0

为熊猫而写

我想根据列值过滤 cuDF 数据框，然后根据指定的条件创建一个新列。基本上，我如何在 cuDF 中应用以下内容？

df.loc[df.column_name condition, 'new column name'] = 'value if condition is met'

有时它很适合dask.dataframe.map_partitions用于合并等操作。在某些情况下，在 aleft_df和 a right_dfusing之间进行合并时map_partitions，我想在执行合并之前进行预缓存right_df，以减少网络开销/本地改组。有什么明确的方法可以做到这一点吗？感觉应该可以使用 , 或其他一些智能广播中的一个或client.scatter(the_df)组合client.run(func_to_cache_the_df)。

left_df在对一个大得多的大的right_df（本质上是一个查找表）进行左连接的情况下，这一点尤为突出。感觉这right_df应该能够读入内存并持久化/分散到合并前的所有工作人员/分区，以减少对跨分区通信的需求，直到最后。我怎样才能分散right_df成功地做到这一点？

以下是使用 cuDF 和 Dask 进行这种不平衡合并的一个较小示例（但从概念上讲，这与 pandas 和 Dask 相同）：

我想将以下代码（在 pandas 中运行）转换为在 cuDF 中运行的代码。

来自被操作系列的样本数据.head()被插入到第 3 个代码单元格中的 OG 代码中——应该能够复制/粘贴运行。

熊猫中的原始代码

被操纵的数据

调整代码以从该示例数据开始

这是使用上面提供的数据而不是整个数据框时代码的外观。

根据尝试转换时遇到的错误，此问题属于系列级别，因此将下面的单元格转换为在 cuDF 中执行应该可以解决问题。

预期变化（输出）

df_train['census_tractnumber'].head()

df_train['block_number'].head()

有人可以提供一些如何applymap在 cuDF 系列上使用该方法的示例吗？

以下是从文档中复制的，这里是文档的链接。

熊猫-> cuDF

将一些为 pandas 编写的 python 转换为在 Rapids 上运行

熊猫

有人知道用什么代替pandas.Series.filter相同的结果cuDF吗？

我正在使用 RAPIDS（0.9 版本）docker 容器。如何使用 RAPIDS cuDF 执行以下操作？

df['new_column'] = df['column_name'] > condition df[['new_column']] *= 1

编辑：在下面的评论中解决。

我正在尝试开始使用 CUDA + RAPIDS。为此，我使用 Ubuntu 18.04 和 NVIDIA Tesla K80 在 Google Compute 上启动了一个 VM。以下是我为了安装软件而运行的命令：

然后我尝试使用 cudf 而不是 pandas 运行一点 Python，我收到以下错误：

我不确定我错过了什么，因为我已经阅读了许多指南，这些指南都说：“你只需要运行这些少数命令，你就可以开始了！” 列出相同的命令。最近，我发现我应该使用 nvcc 从源代码编译 CUDA 驱动程序，但是我在任何地方都找不到显示要使用哪些命令的指南（每个人都指向几百页长的 PDF由 NVIDIA 而不是实际提供有用的命令）。那么，我还需要做什么才能让 CUDA + RAPIDS 在使用 Tesla K80 的 Ubuntu 18.04 系统上运行？

谢谢！

有没有办法在没有 GPU 的情况下运行 RAPIDS？我通常在没有 GPU 的小型本地机器上开发，然后将我的代码推送到功能强大的远程服务器以供实际使用。TensorFlow 之类的东西允许在 CPU 和 GPU 之间切换，具体取决于它们是否可用。可以用 RAPIDS 做同样的事情吗？即使速度很慢，能够在没有 GPU 的机器上进行测试也会非常有帮助。