در این مطلب، ویدئو RAPIDS: Open GPU Data Science | آموزش Scipy 2019 | اسکوپاتز، بکر، کراوس، گاما دساور با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 2:02:53
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:02,100
به آموزش سریع خوش آمدید زیرا می
2
00:00:02,100 –> 00:00:05,600
دانید که همه ما
3
00:00:05,600 –> 00:00:10,860
با مهمان شبکه اینجا UT لذت می بریم، بنابراین اگر می
4
00:00:10,860 –> 00:00:13,170
توانید اگر یک هات اسپات شخصی
5
00:00:13,170 –> 00:00:15,420
دارید که می توانید از آن استفاده کنید، لطفاً سعی کنید از آن استفاده کنید
6
00:00:15,420 –> 00:00:19,320
در غیر این صورت می توانید از آن استفاده کنید یا
7
00:00:19,320 –> 00:00:22,650
یک VPN اگر VPN
8
00:00:22,650 –> 00:00:24,240
دارید که اگر هیچکدام از آنها را ندارید کار
9
00:00:24,240 –> 00:00:26,789
می کند، می توانید سعی کنید به هات اسپات شخصی من متصل شوید
10
00:00:26,789 –> 00:00:30,000
که من با رمز عبور به SI SSID Rapids تغییر داده ام
11
00:00:30,000 –> 00:00:33,420
Rapids یک
12
00:00:33,420 –> 00:00:36,690
دو سه من به Google خود ضربه زده ام محدودیت فایل،
13
00:00:36,690 –> 00:00:38,160
بنابراین فعلاً این همه همراه آنهاست،
14
00:00:38,160 –> 00:00:42,059
پس بیایید امیدوار باشیم که ادامه داشته باشد و مانند
15
00:00:42,059 –> 00:00:45,960
بیایید امتحان کنیم تا خوب کار کند بله،
16
00:00:45,960 –> 00:00:49,760
بیایید ببینیم با 70 نفر کار می
17
00:00:49,760 –> 00:01:15,869
کند یا خیر، مطمئن باشید بله همچنین اگر
18
00:01:15,869 –> 00:01:17,729
برچسبی با IP دستت را بلند کن
19
00:01:17,729 –> 00:01:21,950
متأسفم، بنابراین یک دو سه چهار
20
00:01:21,950 –> 00:01:26,330
نفر هستند، بنابراین من نیاز به خواندن حداقل
21
00:01:45,640 –> 00:02:01,180
22
00:02:31,960 –> 00:02:39,520
داریم.
23
00:02:39,520 –> 00:02:42,530
24
00:02:42,530 –> 00:02:43,460
25
00:02:43,460 –> 00:02:45,560
26
00:02:45,560 –> 00:02:46,640
کسی می آید تا به شما کمک کند تا
27
00:02:46,640 –> 00:02:48,650
کودتا کنید تعداد زیادی از افراد در پشت
28
00:02:48,650 –> 00:02:51,020
آنجا هستند، بنابراین فقط به عنوان چند مورد از
29
00:02:51,020 –> 00:02:52,010
وسایل خانه داری، روشی که ما
30
00:02:52,010 –> 00:02:57,440
شروع به کار خواهیم کرد، همانطور که ما همچنان
31
00:02:57,440 –> 00:02:58,640
چند آدرس IP دیگر دریافت می کنیم، بنابراین
32
00:02:58,640 –> 00:03:00,860
به زودی آنها را برای شما ارائه خواهیم داد که چه کاری انجام می دهیم
33
00:03:00,860 –> 00:03:02,230
ابتدا یک نوع
34
00:03:02,230 –> 00:03:07,010
معرفی مختصر در مورد Rapids چیست و سپس
35
00:03:07,010 –> 00:03:09,050
به محتوای آموزشی واقعی می رویم
36
00:03:09,050 –> 00:03:11,090
تا نوت بوک های Jupiter در دسترس باشند
37
00:03:11,090 –> 00:03:13,040
که بسیار عالی است و شما پس از انجام این مقدمه شروع به استفاده از آنها خواهید کرد
38
00:03:13,040 –> 00:03:14,360
39
00:03:14,360 –> 00:03:17,450
، بنابراین نام من رندی گال است.
40
00:03:17,450 –> 00:03:19,730
هیوستون من از انویدیا هستم، چند نفر دیگر از
41
00:03:19,730 –> 00:03:21,620
انویدیا که ما امروز به عنوان نیک
42
00:03:21,620 –> 00:03:24,050
بکر داریم که دقیقاً در آنجا حضور دارد و به
43
00:03:24,050 –> 00:03:26,540
دانته کمک می کند و همچنین
44
00:03:26,540 –> 00:03:28,160
اگر مشکلی دارید، دستانتان را بالا نگه دارید و
45
00:03:28,160 –> 00:03:31,900
کسی برای کمک به شما می آید، بنابراین
46
00:03:31,900 –> 00:03:34,580
قبل از شروع کار، کسی این کار را انجام می دهد. در
47
00:03:34,580 –> 00:03:38,240
اتاق بسیاری از شما از پشته های داده های بزرگ استفاده کرده اید
48
00:03:38,240 –> 00:03:40,610
به طور کلی مانند Hadoop یا PI
49
00:03:40,610 –> 00:03:43,100
spark یا میز، برای
50
00:03:43,100 –> 00:03:47,480
بسیاری از افراد در اینجا بسیار آشنا است، بسیار خوب، بنابراین یکی از
51
00:03:47,480 –> 00:03:51,430
راه هایی که ما با Rapids شروع کردیم،
52
00:03:51,430 –> 00:03:54,500
اساساً مشاهده آن برای مدت
53
00:03:54,500 –> 00:03:57,920
طولانی برای مانند 10 سال گذشته به علاوه یکی
54
00:03:57,920 –> 00:03:59,300
از روشهایی که مردم برای
55
00:03:59,300 –> 00:04:02,750
پردازش دادهها در مقیاس بزرگ انجام میدهند استفاده از Hadoop است و یکی
56
00:04:02,750 –> 00:04:04,250
از چیزهایی که واقعاً
57
00:04:04,250 –> 00:04:06,670
برای آن عالی است مدیریت فایلهای توزیعشده بزرگ است،
58
00:04:06,670 –> 00:04:09,860
اما یکی از معایب اساسی
59
00:04:09,860 –> 00:04:11,690
کار با آن این است که حداقل اگر
60
00:04:11,690 –> 00:04:13,430
از الگوی اصلی MapReduce MapReduce
61
00:04:13,430 –> 00:04:15,500
استفاده میکردید، این بود که باید از
62
00:04:15,500 –> 00:04:18,560
HDFS برخی از پردازشها را مطالعه میکردید و
63
00:04:18,560 –> 00:04:20,060
نتیجه هر مرحله از یک کار
64
00:04:20,060 –> 00:04:22,370
باید دارای یک مانع i/o باشد و مستقیماً به HDFS بازگردید،
65
00:04:22,370 –> 00:04:24,560
بنابراین اگر دوباره کاری انجام می دهم مانند
66
00:04:24,560 –> 00:04:26,720
اجازه دهید من یک دسته از داده های خام را بخوانم و
67
00:04:26,720 –> 00:04:28,850
برخی از رکوردهایی که نامعتبر هستند
68
00:04:28,850 –> 00:04:31,280
یا داده های از دست رفته را فیلتر کنم، بسیار خوب، اجازه دهید
69
00:04:31,280 –> 00:04:33,260
نتایج خود را ذخیره کنم و در هر مرحله
70
00:04:33,260 –> 00:04:34,820
از کار شما
71
00:04:34,820 –> 00:04:37,100
موانع متعددی برای i/o خواهید داشت. حداقل دو
72
00:04:37,100 –> 00:04:38,750
مانع ورودی/خروجی، بنابراین اگر در حال انجام کاری
73
00:04:38,750 –> 00:04:41,300
کاملاً پیچیده هستید، مانند فیلتر کردن
74
00:04:41,300 –> 00:04:43,699
آن سوابق و سپس پیوستن مثلاً
75
00:04:43,699 –> 00:04:45,770
شناسههای تراکنش به شناسههای مشتری یا
76
00:04:45,770 –> 00:04:47,870
ابردادهها و در این مورد، در اینجا
77
00:04:47,870 –> 00:04:49,580
شما مانند یک خط لوله سه مرحلهای خواهید داشت. دوباره می
78
00:04:49,580 –> 00:04:52,759
خواهم در پایان با شش مانع i/o
79
00:04:52,759 –> 00:04:56,030
که واقعا آزاردهنده است، جرقه در طول آمد
80
00:04:56,030 –> 00:04:58,220
که همه میدانند اگر
81
00:04:58,220 –> 00:05:00,470
دقت کرده باشید چه جرقهای
82
00:05:00,470 –> 00:05:02,360
سعی میکند همه چیز را در
83
00:05:02,360 –> 00:05:03,949
حافظه نگه دارد تا بتوانید بسیاری از i/ها را حذف کنید. o
84
00:05:03,949 –> 00:05:07,789
موانع، بنابراین شما با
85
00:05:07,789 –> 00:05:09,860
پردازش کمی سریعتر انجام میدهید، با توجه به
86
00:05:09,860 –> 00:05:11,150
اینکه همه اینها فقط خواندن مستقیم از
87
00:05:11,150 –> 00:05:14,419
حافظه است، برخلاف خواندن از HDFS
88
00:05:14,419 –> 00:05:17,419
در هر مرحله، اما در نهایت با
89
00:05:17,419 –> 00:05:20,300
کاهش کل
90
00:05:20,300 –> 00:05:22,310
موانع نوشتن ورودی/خروجی مواجه میشوید. پس از هر مرحله از کار،
91
00:05:22,310 –> 00:05:23,780
بنابراین میدانید که میتوانید
92
00:05:23,780 –> 00:05:25,099
با انجام درست این کار، پیشرفتهای
93
00:05:25,099 –> 00:05:26,960
بسیار خوبی به دست آورید، مثلاً اگر
94
00:05:26,960 –> 00:05:29,360
به جای استفاده از سرعت دیسک، از سرعت حافظه استفاده
95
00:05:29,360 –> 00:05:32,509
میکنید، میتوانید بسیار خوب باشد، اما همانطور که
96
00:05:32,509 –> 00:05:33,949
از این نوارها در اینجا مشاهده میکنید. بدیهی است
97
00:05:33,949 –> 00:05:36,879
که برای مقیاسبندی خوب نمیتوانیم بهتر عمل کنیم، بنابراین
98
00:05:36,879 –> 00:05:40,400
جایی که میرویم حتی از جنبههای جرقهای
99
00:05:40,400 –> 00:05:42,469
است که وجود دارد و این درست است
100
00:05:42,469 –> 00:05:46,370
از سال 2000 و مانند 12،
101
00:05:46,370 –> 00:05:48,050
حتی مطالعاتی انجام شده است
102
00:05:48,050 –> 00:05:51,380
که اساساً میزان
103
00:05:51,380 –> 00:05:54,759
ti
104
00:05:54,759 –> 00:05:58,580
105
00:05:58,580 –> 00:06:00,529
وقتی در حال خواندن فایلهای CSV یا parque یا حتی فایلهای اورک هستید، چیزهایی را میخوانید
106
00:06:00,529 –> 00:06:02,000
که خوب و
107
00:06:02,000 –> 00:06:04,279
ستونی فشرده شدهاند،
108
00:06:04,279 –> 00:06:06,620
زمان زیادی صرف خواندن
109
00:06:06,620 –> 00:06:08,210
چیزها از روی دیسک و سپس یک بار صرف میشود. شما
110
00:06:08,210 –> 00:06:10,219
بایتهایی از دیسک دارید که در واقع
111
00:06:10,219 –> 00:06:12,680
آن بایتها را به چیزی تبدیل میکند که یک
112
00:06:12,680 –> 00:06:15,199
شی مناسب JVM است، اگر جرقه باشد یا حتی
113
00:06:15,199 –> 00:06:16,789
اشیاء دوستانه پایتون، اگر فقط در حال
114
00:06:16,789 –> 00:06:19,460
خواندن مستقیم و مستقل یا
115
00:06:19,460 –> 00:06:22,879
حتی یا حتی در numpy هستید، بنابراین بسیاری از موارد وجود دارد.
116
00:06:22,879 –> 00:06:25,669
مکانهایی در اسپارک و همچنین در Hadoop
117
00:06:25,669 –> 00:06:27,860
و همچنین در بسیاری از کتابخانههای داده PI دیگر
118
00:06:27,860 –> 00:06:30,199
که در آنها
119
00:06:30,199 –> 00:06:33,740
واقعاً واقعاً به طور قابل توجهی CPU محدود شدهاید نه فقط
120
00:06:33,740 –> 00:06:35,960
در i/o، بلکه در واقع هر فیلتری را
121
00:06:35,960 –> 00:06:37,370
انجام میدهید و هر گونه تجمعی را انجام میدهید که فرآیندهای تبدیل داده استاندارد شما را انجام میدهد،
122
00:06:37,370 –> 00:06:39,969
123
00:06:39,969 –> 00:06:44,060
بنابراین NVIDIA این را به وضوح دیدم و داشتن
124
00:06:44,060 –> 00:06:45,979
این کارتهای گرافیک بزرگ خوب که
125
00:06:45,979 –> 00:06:47,240
در ترسیم پیکسلها بر روی صفحه نمایش
126
00:06:47,240 –> 00:06:49,729
عالی هستند، همچنین در انجام
127
00:06:49,729 –> 00:06:54,010
انواع دستکاری دادههای معمولی بسیار عالی هستند، بنابراین
128
00:06:54,010 –> 00:06:56,590
چگونه میتوانیم شرط بندی کنیم. یکی از کارهایی
129
00:06:56,590 –> 00:06:58,600
که انویدیا واقعاً میکوشد با Rapids انجام دهد این
130
00:06:58,600 –> 00:07:00,760
است که اگر انویدیا هستید، روی چیزی تمرکز میکند که ما آن را پایان
131
00:07:00,760 –> 00:07:03,640
پایان مینامیم، اگر انویدیا هستید، یا اگر
132
00:07:03,640 –> 00:07:04,930
زیاد با انویدیا کار میکنید، آنطور که میشنوید.
133
00:07:04,930 –> 00:07:07,330
134
00:07:07,330 –> 00:07:10,660
در واقع به این معنی نیست که فقط برخی از
135
00:07:10,660 –> 00:07:13,270
داده ها را از روی دیسک بردارید و سپس آن
136
00:07:13,270 –> 00:07:14,650
را کمی پردازش کنیم و آن را به دیسک برگردانیم
137
00:07:14,650 –> 00:07:16,260
و به برنامه دیگری منتقل کنیم
138
00:07:16,260 –> 00:07:18,760
به یک دلیل اساسی با
139
00:07:18,760 –> 00:07:20,920
معماری های GPU، ما در واقع سعی می کنیم
140
00:07:20,920 –> 00:07:23,470
کل پردازش را در داخل انجام دهیم.
141
00:07:23,470 –> 00:07:26,500
GPU و دلیل آن
142
00:07:26,500 –> 00:07:28,420
اساساً اگر کسی در اینجا واقعاً
143
00:07:28,420 –> 00:07:30,490
قبلاً با برنامه های کاربردی CUDA کار کرده باشد
144
00:07:30,490 –> 00:07:33,160
یا انجام داده باشد بسیار مهم است مانند
145
00:07:33,160 –> 00:07:35,740
تجزیه و تحلیل تصویر یا استفاده از
146
00:07:35,740 –> 00:07:36,940
الگوریتم های یادگیری عمیق که در آن شما باید توجه زیادی
147
00:07:36,940 –> 00:07:38,700
به دسته بندی و اندازه های دسته ای داشته باشید
148
00:07:38,700 –> 00:07:40,690
دلیل اساسی برای
149
00:07:40,690 –> 00:07:42,610
اساساً همانطور که همه شما به خوبی می
150
00:07:42,610 –> 00:07:45,970
دانید اگر از آن به عنوان کپی داده ها بر روی
151
00:07:45,970 –> 00:07:49,000
GPU استفاده کرده باشید،
152
00:07:49,000 –> 00:07:53,230
با عبور از گذرگاه PCIe جریمه تاخیر قابل توجهی دارد که ما همیشه
153
00:07:53,230 –> 00:07:54,610
با محبت آن را t می نامیم. او
154
00:07:54,610 –> 00:07:56,590
گلوگاه PCIe بنابراین برای من PCIe نیست،
155
00:07:56,590 –> 00:08:00,220
در واقع گلوگاه PCIe B PCIe است و
156
00:08:00,220 –> 00:08:03,010
اگر در حال انجام یادگیری عمیق یا در واقع
157
00:08:03,010 –> 00:08:05,590
دیگر تجزیه و تحلیل های سنتی در مراحل اولیه
158
00:08:05,590 –> 00:08:08,920
در داخل GPU هستید، چیزی که در نهایت دارید
159
00:08:08,920 –> 00:08:11,680
این است که افراد با اولین برنامه، داده ها را روی GPU کپی می کنند.
160
00:08:11,680 –> 00:08:12,930
161
00:08:12,930 –> 00:08:15,070
پردازش برخی از نتایج و سپس
162
00:08:15,070 –> 00:08:18,520
پرداخت همان نوع HDFS IO Bottleneck
163
00:08:18,520 –> 00:08:20,710
فقط گلوگاه PCIe اکنون داده
164
00:08:20,710 –> 00:08:22,960
ها را بر روی هاست کپی می کند و سپس آن را
165
00:08:22,960 –> 00:08:25,600
به برنامه دیگری منتقل می کند و
166
00:08:25,600 –> 00:08:27,220
این عالی است شما می دانید
167
00:08:27,220 –> 00:08:28,930
فلسفه یونیکس داشتن یک
168
00:08:28,930 –> 00:08:30,430
برنامه ساده که یک کار را انجام می دهد و سپس
169
00:08:30,430 –> 00:08:32,620
انتقال آن به ابزار دیگری
170
00:08:32,620 –> 00:08:34,539
برای بسیاری از موارد کار میکند، اما زمانی که واقعاً
171
00:08:34,539 –> 00:08:36,130
توجه زیادی به انجام
172
00:08:36,130 –> 00:08:38,440
محاسبات کارآمد و انجام آن در
173
00:08:38,440 –> 00:08:40,870
مقیاس بسیار بزرگ میکنید، گاهی اوقات این
174
00:08:40,870 –> 00:08:43,990
الگوی واقعی از هم میپاشد و هیچ جا به
175
00:08:43,990 –> 00:08:46,660
اندازه کار با GPU آشکار نیست. بنابراین
176
00:08:46,660 –> 00:08:50,440
آنچه که ما در ابتدا شروع به انجام ایده اصلی
177
00:08:50,440 –> 00:08:52,120
پشت سر سریع کردیم این بود که چگونه می توانیم
178
00:08:52,120 –> 00:08:53,350
واقعاً آن را از بین ببریم که چگونه می توانیم
179
00:08:53,350 –> 00:08:55,540
نیاز به پلیس را از بین ببریم. y
180
00:08:55,540 –> 00:08:58,120
چیزهای GPU را روی هاست برگردانده و سپس
181
00:08:58,120 –> 00:08:59,530
برنامههای جدید را راهاندازی کرده و آن را دوباره کپی کنید،
182
00:08:59,530 –> 00:09:03,820
بدیهی است که NVIDIA
183
00:09:03,820 –> 00:09:04,960
به آنچه در
184
00:09:04,960 –> 00:09:06,640
اکوسیستم تحلیلی میگذرد توجه دارد،
185
00:09:06,640 –> 00:09:08,050
شما میدانید که بسیاری از ما با
186
00:09:08,050 –> 00:09:09,490
جرقه آشنا هستیم. Hadoop
187
00:09:09,490 –> 00:09:12,310
و مدت زیادی است که از آن استفاده میکند یکی
188
00:09:12,310 –> 00:09:13,420
از پروژههای دیگری که
189
00:09:13,420 –> 00:09:14,769
اخیراً به
190
00:09:14,769 –> 00:09:17,170
لطف تلاشهای وس مککینی و eBay و تع
191
00:09:17,170 –> 00:09:18,760
اد کمی از افراد واقعی در جا
192
00:09:18,760 –> 00:09:20,350
عه بهخوبی مطرح شده است، این پروژه به نام Apache arrow
193
00:09:20,350 –> 00:09:24,070
arrow long است. داستان کوتاه چیزهای زیادی
194
00:09:24,070 –> 00:09:25,510
است، اما یکی از
195
00:09:25,510 –> 00:09:27,579
جنبه های اساسی آن تعریف
196
00:09:27,579 –> 00:09:30,190
استانداردی برای نمایش داده ها در ستون
197
00:09:30,190 –> 00:09:33,839
در حافظه است که برای
198
00:09:33,839 –> 00:09:36,490
برنامه های سمت میزبان صادق است و کاری که ما
199
00:09:36,490 –> 00:09:37,750
با Rapids انجام دادیم در واقع
200
00:09:37,750 –> 00:09:39,579
پیاده سازی یک اغلب مدل حافظه مبتنی بر فلش
201
00:09:39,579 –> 00:09:43,209
بر روی پردازنده گرافیکی نیز وجود دارد، بنابراین Rapids
202
00:09:43,209 –> 00:09:44,440
خود در واقع دارای چندین
203
00:09:44,440 –> 00:09:45,880
مؤلفه مختلف است که همگی
204
00:09:45,880 –> 00:09:47,470
با این مدل پیکان تعامل دارند، اما این ایده
205
00:09:47,470 –> 00:09:49,660
در واقع ما را دنبال می کند. مدل پیکانی
206
00:09:49,660 –> 00:09:51,430
است که به این صورت است که هر کس دیگری که
207
00:09:51,430 –> 00:09:52,899
برنامههای کاربردی میتوانند فرمت پیکان را بخوانند و پشتیبانی کنند،
208
00:09:52,899 –> 00:09:55,540
میتوانند مستقیماً
209
00:09:55,540 –> 00:09:58,149
از نشانگرهای دستگاه به حافظه دستگاه بخوانند،
210
00:09:58,149 –> 00:09:59,680
نه اینکه مجبور شوند چیزها را به عقب و جلو کپی کنند.
211
00:09:59,680 –> 00:10:01,420
212
00:10:01,420 –> 00:10:04,810
اگر از Rapids استفاده میکنید
213
00:10:04,810 –> 00:10:07,029
و من میگویم چه چیزی
214
00:10:07,029 –> 00:10:08,829
عالی است، دوباره میدانید که همه چیز خوب و
215
00:10:08,829 –> 00:10:10,480
یکپارچه است و همه چیز با
216
00:10:10,480 –> 00:10:11,890
فریمهای داده GPU از یک کتابخانه
217
00:10:11,890 –> 00:10:14,199
به کتابخانه دیگر کار میکند، اما اگر واقعاً
218
00:10:14,199 –> 00:10:16,079
میخواهید بروید از چیزی استفاده کنید. بیشتر شبیه مشعل PI
219
00:10:16,079 –> 00:10:18,910
، مسیرهای خوبی وجود دارد، راههای خوبی
220
00:10:18,910 –> 00:10:20,110
برای انتقال دادهها بین
221
00:10:20,110 –> 00:10:23,260
کتابخانههای Rapids و مشعل pi و همچنین
222
00:10:23,260 –> 00:10:25,779
مواردی مانند cou PI و chain ER و
223
00:10:25,779 –> 00:10:27,279
هر کس دیگری که از این نوع
224
00:10:27,279 –> 00:10:30,760
فرمتهای حافظه استاندارد پشتیبانی میکند، وجود دارد، بنابراین به
225
00:10:30,760 –> 00:10:32,320
نوعی به نتیجه گیری از جایی که می
226
00:10:32,320 –> 00:10:36,060
بینیم این تکامل پردازش داده
227
00:10:36,060 –> 00:10:39,550
نه تنها گلوگاه های io را
228
00:10:39,550 –> 00:10:42,640
حذف می کند، بلکه گلوگاه های PCIe را
229
00:10:42,640 –> 00:10:44,170
از بین می برد و گلوگاه های واقعی
230
00:10:44,170 –> 00:10:44,970
سریال سازی و سریال سازی را از
231
00:10:44,970 –> 00:10:48,070
بین می برد. ibraries که بر روی
232
00:10:48,070 –> 00:10:51,970
دادههای درون حافظه کار میکنند در نهایت منجر
233
00:10:51,970 –> 00:10:55,029
به شروع نه تنها 25200 X میشوند، بلکه پس از
234
00:10:55,029 –> 00:10:56,380
آن چندین بهبود تکراری اضافی دریافت میکنید
235
00:10:56,380 –> 00:11:00,220
و در کل میبینیم که
236
00:11:00,220 –> 00:11:01,329
حتی گفتن
237
00:11:01,329 –> 00:11:03,310
اعداد 5200 X درست کمی خجالتآور است، زیرا خوب است وقتی
238
00:11:03,310 –> 00:11:04,329
شخصی وارد میشود و به شما میگوید که
239
00:11:04,329 –> 00:11:05,709
در موردی صد برابر بهبود یافتهاید
240
00:11:05,709 –> 00:11:08,079
، مانند a است، من واقعاً آنها را باور دارم و
241
00:11:08,079 –> 00:11:10,540
B شاید برنامه اصلی که
242
00:11:10,540 –> 00:11:11,769
شما با آن مقایسه میکنید چیزی است که
243
00:11:11,769 –> 00:11:15,010
به روشی ضعیف نوشته شده است، اما ما
244
00:11:15,010 –> 00:11:17,260
در واقع یک برنامه کاملاً داریم. معدود معیارهایی
245
00:11:17,260 –> 00:11:19,300
که نشان میدهیم از سرعت 50 تا
246
00:11:19,300 –> 00:11:19,930
247
00:11:19,930 –> 00:11:21,820
چند سرعت میگیریم، صدها بهبود عملکرد سابق هستند،
248
00:11:21,820 –> 00:11:24,640
مانند همه چیزها، اگرچه این
249
00:11:24,640 –> 00:11:25,930
واقعاً به دادهها بستگی دارد و واقعاً
250
00:11:25,930 –> 00:11:26,950
به کاری که با برنامه واقعی انجام میدهید بستگی دارد.
251
00:11:26,950 –> 00:11:29,530
252
00:11:29,530 –> 00:11:32,710
دارای تعداد کمی
253
00:11:32,710 –> 00:11:34,420
رشته و دارای پهنای باند حافظه بسیار بالایی هستند،
254
00:11:34,420 –> 00:11:36,880
بنابراین اگر واقعاً می توانید
255
00:11:36,880 –> 00:11:39,340
برنامه هایی داشته باشید که قادر به استفاده از
256
00:11:39,340 –> 00:11:41,200
فرمت های رایج حافظه هستند و می توانند
257
00:11:41,200 –> 00:11:43,210
مراجع را به عقب برگردانند. از بین
258
00:11:43,210 –> 00:11:46,390
Api های مختلف می توانید پیشرفت های بسیار عظیمی در
259
00:11:46,390 –> 00:11:49,390
عملکرد داشته باشید، بنابراین بدون
260
00:11:49,390 –> 00:11:50,770
هیچ مقدمه ای از من شنیده اید که چند بار می گویم Rapids
261
00:11:50,770 –> 00:11:54,430
خوب، آنچه در اینجا Rapids است
262
00:11:54,430 –> 00:11:56,440
اساساً پشته ما است، بنابراین مانند همه
263
00:11:56,440 –> 00:11:57,910
مشکلات در علوم کامپیوتر، سخت ترین
264
00:11:57,910 –> 00:12:00,400
کار در واقع نام گذاری این است.
265
00:12:00,400 –> 00:12:03,160
این برای NVIDIA فرقی نمی کند ما انویدیا
266
00:12:03,160 –> 00:12:06,730
چیزی داشت که در مورد آن شروع شده بود، اما تقریباً
267
00:12:06,730 –> 00:12:08,410
بین 10 تا 12 سال پیش به
268
00:12:08,410 –> 00:12:09,940
آن معماری دستگاه واحد محاسباتی CUDA می گویند،
269
00:12:09,940 –> 00:12:11,620
زیرا هر کسی در اینجا
270
00:12:11,620 –> 00:12:12,940
واقعاً با CUDA کار کرده یا کد CUDA را
271
00:12:12,940 –> 00:12:15,910
قبل از اوکی نوشته است، بنابراین من دوست دارم شوخی کنم. و من
272
00:12:15,910 –> 00:12:17,590
این را در تمام ارائههایم میگویم
273
00:12:17,590 –> 00:12:19,390
که وقتی CUDA 1.0 بود با CUDA شروع کردم
274
00:12:19,390 –> 00:12:21,070
و این مرا متقاعد کرد که
275
00:12:21,070 –> 00:12:23,680
نمیخواهم با CUDA کار کنم، بنابراین
276
00:12:23,680 –> 00:12:25,090
حدود یک سال و نیم پیش به انویدیا ملحق شدم و
277
00:12:25,090 –> 00:12:26,440
چیزی که واقعاً من را متقاعد کرد که به آن بپیوندم.
278
00:12:26,440 –> 00:12:28,990
به پروژه شماره نگاه می کنیم که
279
00:12:28,990 –> 00:12:31,690
بدیهی است یک کتابخانه پایتون است که به
280
00:12:31,690 –> 00:12:33,610
شما امکان می دهد کد پایتون سفارشی را به موقع کامپایل کنید و
281
00:12:33,610 –> 00:12:36,880
به
282
00:12:36,880 –> 00:12:38,890
عملیات برداری تبدیل کنید که می تواند روی آن انجام شود.
283
00:12:38,890 –> 00:12:42,000
شماره CPU همچنین دارای یک
284
00:12:42,000 –> 00:12:45,430
پسوند CUDA است، بنابراین شما می توانید یک
285
00:12:45,430 –> 00:12:47,350
کد پایتون یک کد پایتون را بگیرید و آن را
286
00:12:47,350 –> 00:12:48,510
به چیزی که روی GPU اجرا می شود کامپایل کنید،
287
00:12:48,510 –> 00:12:52,090
بنابراین آنچه Rapids واقعاً در مورد آن است،
288
00:12:52,090 –> 00:12:54,940
فعال کردن برنامه های لایه پایتون برای
289
00:12:54,940 –> 00:12:57,550
نوشتن کدهای آشنای پایتون است. که
290
00:12:57,550 –> 00:12:59,530
از زیر پوشش پردازندههای گرافیکی استفاده میکند
291
00:12:59,530 –> 00:13:01,750
بدون اینکه کسی را مجبور به دانستن چیزی
292
00:13:01,750 –> 00:13:04,450
در مورد CUDA کند که به
293
00:13:04,450 –> 00:13:06,520
نظر من یک دستاورد باشکوه
294
00:13:06,520 –> 00:13:08,830
295
00:13:08,830 –> 00:13:12,400
296
00:13:12,400 –> 00:13:14,760
است. برای نامیدن
297
00:13:14,760 –> 00:13:17,740
پرسپکتیو، qu DF داریم، qu
298
00:13:17,740 –> 00:13:21,790
ml داریم، نمودار cout داریم که DF است C،
299
00:13:21,790 –> 00:13:24,910
شما از CUDA قاب داده یکپارچه کامپیوتری را محاسبه کنید
300
00:13:24,910 –> 00:13:26,500
اساساً به معنای یک
301
00:13:26,500 –> 00:13:28,780
قاب داده GPU است، بنابراین شما از پاندا استفاده کرده اید، بنابراین
302
00:13:28,780 –> 00:13:30,010
از سؤال استفاده کرده اید.
303
00:13:30,010 –> 00:13:31,990
وقتی از من پرسیدم که ku DF
304
00:13:31,990 –> 00:13:33,880
واقعاً
305
00:13:33,880 –> 00:13:36,580
API دادهفریم pandas را در مورد اجرا
306
00:13:36,580 –> 00:13:38,620
بر روی پردازندههای گرافیکی دنبال میکند، دستان خود را بالا میبرید، بنابراین اگر میخواهید
307
00:13:38,620 –> 00:13:40,750
مخزن KU DF github را بررسی کنید، اولین نمونه
308
00:13:40,750 –> 00:13:42,160
را خواهید دید. e که خواهید دید در
309
00:13:42,160 –> 00:13:44,920
واقع فقط خواندن یک CSV است و سپس
310
00:13:44,920 –> 00:13:46,150
انجام همان نوع
311
00:13:46,150 –> 00:13:48,940
تجمیعهای معمولی و برخی از محاسبات ملی و
312
00:13:48,940 –> 00:13:51,160
نقطهای برای فهمیدن اینکه میدانید
313
00:13:51,160 –> 00:13:52,960
درصد انعام برای افرادی
314
00:13:52,960 –> 00:13:55,300
که نکات خاصی را در رستوران میگذارند
315
00:13:55,300 –> 00:13:59,290
چقدر است، بنابراین cou DF یک قاب دادههای GPU به ml trudeau برای
316
00:13:59,290 –> 00:14:01,450
یادگیری ماشینی اساساً
317
00:14:01,450 –> 00:14:04,540
از api scikit-learn پیروی میکند، اما همچنین
318
00:14:04,540 –> 00:14:07,930
qu ml و q DF شتابدار GPU مانند
319
00:14:07,930 –> 00:14:10,740
همه چیزهایی که در اینجا وجود دارند، راههای خوبی برای انتقال
320
00:14:10,740 –> 00:14:13,750
انواع qu DF به qu ml دارند، درست
321
00:14:13,750 –> 00:14:15,100
مانند پانداها. فریمهای داده و
322
00:14:15,100 –> 00:14:18,160
مدلهای یادگیری اسکیتی، گراف خدمه داریم
323
00:14:18,160 –> 00:14:19,720
که این است که ما واقعاً به
324
00:14:19,720 –> 00:14:20,890
تازگی با بستههای تجزیه و تحلیل گراف خود شروع
325
00:14:20,890 –> 00:14:23,080
326
00:14:23,080 –> 00:14:25,990
327
00:14:25,990 –> 00:14:27,670
کردهایم.
328
00:14:27,670 –> 00:14:29,440
در حال کار بر روی تعیین اینکه کدام api را در
329
00:14:29,440 –> 00:14:31,030
آنجا پشتیبانی می کنیم، اما می توانید
330
00:14:31,030 –> 00:14:32,640
کارهایی مانند رتبه رتبه بندی ژاکارد
331
00:14:32,640 –> 00:14:35,560
و غیره را انجام دهید و در آخر این
332
00:14:35,560 –> 00:14:36,820
دو جعبه در سمت راست، من
333
00:14:36,820 –> 00:14:38,650
به طور خلاصه در مورد توانایی یکپارچه سازی صحبت کردم.
334
00:14:38,650 –> 00:14:40,900
خوردن با مشعل PI که
335
00:14:40,900 –> 00:14:43,240
شامل هر چیزی مانند شبکه MX و زنجیره
336
00:14:43,240 –> 00:14:45,280
er است در واقع هر چیزی که واقعاً
337
00:14:45,280 –> 00:14:47,200
از بسته DL پشتیبانی می کند اگر کسی
338
00:14:47,200 –> 00:14:49,120
با X برای تقویت آن آشنا باشد از جامعه DM LC آمده
339
00:14:49,120 –> 00:14:51,520
است اکنون یکی از جنبه های دیگری
340
00:14:51,520 –> 00:14:54,490
که MLC دارد فرمت بسته DL است.
341
00:14:54,490 –> 00:14:57,460
این یک فرمت تانسور است بنابراین هر چیزی که
342
00:14:57,460 –> 00:15:01,510
یک قاب داده KU باشد می تواند مستقیماً به
343
00:15:01,510 –> 00:15:04,000
قالب بسته DL برود و سپس
344
00:15:04,000 –> 00:15:05,830
به مشعل PI برود بنابراین ما در واقع
345
00:15:05,830 –> 00:15:08,650
تعداد کمی از برنامه ها را دیده ایم که در آن
346
00:15:08,650 –> 00:15:10,540
افراد کمی پیش پردازش را انجام می دهند فقط از cout استفاده می کنند.
347
00:15:10,540 –> 00:15:12,760
TF CSV Reader یا یا core park’
348
00:15:12,760 –> 00:15:14,950
reader برای تسریع در خواندن
349
00:15:14,950 –> 00:15:18,190
بایت های دیسک در حافظه GPU
350
00:15:18,190 –> 00:15:19,570
کمی از فیلتر کردن رکوردها استفاده می کنند یا
351
00:15:19,570 –> 00:15:21,340
352
00:15:21,340 –> 00:15:22,660
اگر روش های خاصی برای برون ریزی
353
00:15:22,660 –> 00:15:24,640
مقادیر از دست رفته دارید و می دانید مقادیر تهی را پر می کنند. سپس با عبور از 2
354
00:15:24,640 –> 00:15:26,710
پی مشعل، افراد
355
00:15:26,710 –> 00:15:28,900
از 20 X تا 50 برابر به پیشرفتهای سریعتر
356
00:15:28,900 –> 00:15:30,970
و خطوط لوله یادگیری عمیقتر دست یافتهاند که فقط از
357
00:15:30,970 –> 00:15:32,770
برخی جنبههای سریع برای انجام
358
00:15:32,770 –> 00:15:34,930
کمی پیش پردازش استفاده میکنند و سپس
359
00:15:34,930 –> 00:15:38,380
ما 2 برابر فیلتر را داریم. فیلتر متقاطع nced GU
360
00:15:38,380 –> 00:15:40,990
ما در اوایل جنبه
361
00:15:40,990 –> 00:15:42,520
تجسم چیزها هستیم، بدیهی است
362
00:15:42,520 –> 00:15:44,170
که وقتی می خواهید از
363
00:15:44,170 –> 00:15:46,089
چیزی مانند data shader یا okay یا
364
00:15:46,089 –> 00:15:46,730
هر کسی
365
00:15:46,730 –> 00:15:49,430
در کتابخانه ها استفاده کنید، اگر به نوعی زنده می خواهید
366
00:15:49,430 –> 00:15:51,350
انتخاب هایی انجام دهید و می خواهید انتخاب کنید، کار زیادی وجود دارد.
367
00:15:51,350 –> 00:15:53,180
اگر
368
00:15:53,180 –> 00:15:55,010
روی میلیونها یا حتی
369
00:15:55,010 –> 00:15:57,019
میلیاردها نقطه داده در زیر آن کار میکنید، نمیخواهید این محدودهها را
370
00:15:57,019 –> 00:15:57,949
به خوبی انتخاب کنید، نمیخواهید همه این موارد
371
00:15:57,949 –> 00:16:01,730
در سمت کلاینت اتفاق بیفتد و در عوض مرورگر شما
372
00:16:01,730 –> 00:16:03,500
واقعاً با فیلتر متقاطع خدمه و
373
00:16:03,500 –> 00:16:04,820
برخی تجسمهای دیگر انجام دهید. اجزایی
374
00:16:04,820 –> 00:16:06,889
که ما انجام میدهیم میتوانند فیلتر کردن
375
00:16:06,889 –> 00:16:10,010
و سایر محاسبات اولیه را به
376
00:16:10,010 –> 00:16:12,320
دستگاه منتقل کنند تا تصاویر
377
00:16:12,320 –> 00:16:13,850
بسیار سریعتر و کارآمدتر روی صفحه نمایش شما رندر شوند،
378
00:16:13,850 –> 00:16:16,959
بنابراین مقدمهای واقعا سریع
379
00:16:16,959 –> 00:16:20,300
برای
380
00:16:20,300 –> 00:16:21,980
Rapids است.
381
00:16:21,980 –> 00:16:26,470
سرعت پردازندههای گرافیکی با استفاده از api آشنا، بنابراین
382
00:16:26,470 –> 00:16:29,899
پانداها روی پردازندههای گرافیکی qdf هستند، بنابراین من نمیتوانم
383
00:16:29,899 –> 00:16:32,810
در پردازندههای گرافیکی یاد بگیرم که qml است و سپس
384
00:16:32,810 –> 00:16:34,339
تجزیه و تحلیل گراف و چند چیز دیگر را داریم،
385
00:16:34,339 –> 00:16:36,709
بنابراین با این کار، این یک دوباره است. مقدمه ally whirlwind
386
00:16:36,709 –> 00:16:39,320
و اکنون فکر می کنم که ما
387
00:16:39,320 –> 00:16:41,779
شروع به بررسی محتوای آموزشی خواهیم کرد
388
00:16:41,779 –> 00:16:43,550
که هر کسی هنوز مشکلی
389
00:16:43,550 –> 00:16:44,779
برای ورود به نمونه های مشتری واقعی خود دارد،
390
00:16:44,779 –> 00:16:47,060
لطفاً دستان خود را بالا نگه دارید
391
00:16:47,060 –> 00:16:56,540
و کسی می آید، بنابراین فقط
392
00:16:56,540 –> 00:16:59,660
چند نکته در اینجا وجود دارد، بنابراین بله یکی
393
00:16:59,660 –> 00:17:02,690
ظاهراً هاتاسپاتها فقط به 10
394
00:17:02,690 –> 00:17:06,169
نفر اجازه میدادند، بنابراین راههایی بیشتر از
395
00:17:06,169 –> 00:17:07,339
آن در اتاق وجود دارد، بنابراین اگر
396
00:17:07,339 –> 00:17:08,780
نقطه اتصالی دارید که مایل به اشتراکگذاری
397
00:17:08,780 –> 00:17:17,650
آن هستید، عالی است، بله،
398
00:17:18,380 –> 00:17:20,510
خب، ما آن را مینویسیم همچنین ظاهراً
399
00:17:20,510 –> 00:17:25,459
مرورگر کار میکند و و هر VPN
400
00:17:25,459 –> 00:17:28,640
کار می کند اکثر VPN ها کار می کنند و برخی از
401
00:17:28,640 –> 00:17:34,250
VPN ها کار نمی کنند نه VP نه همچنین من می خواستم
402
00:17:34,250 –> 00:17:36,320
خودم و آرون را معرفی کنم بنابراین من
403
00:17:36,320 –> 00:17:37,549
مسیرهای دامنه آنتونی هستم و این
404
00:17:37,549 –> 00:17:39,140
آینه Aaron است و ما برای سایت Kalon کار می
405
00:17:39,140 –> 00:17:40,460
کنیم و همچنین به شما کمک می کنیم. با این آموزش بیرون بیایید،
406
00:17:40,460 –> 00:17:43,429
بنابراین ما را علامت گذاری کنید
407
00:17:43,429 –> 00:17:47,900
و از ما کمک بخواهید، پس خوب است، بنابراین
408
00:17:47,900 –> 00:17:50,240
ما ip های باقیمانده را که
409
00:17:50,240 –> 00:17:52,700
به IP نیاز دارند، تحویل می دهیم، بله، کسانی که به IP نیاز دارند، ما
410
00:17:52,700 –> 00:17:54,290
دست را بالا می بریم و سپس اگر شما نیاز دارید هنوز
411
00:17:54,290 –> 00:17:57,440
در هات اسپات مشکل دارد بعد از این
412
00:17:57,440 –> 00:17:59,789
دو دور بعدی یا VPNها مانند
413
00:17:59,789 –> 00:18:20,129
خیر و ما با شما کار خواهیم کرد. با تشکر از
414
00:18:20,129 –> 00:18:23,159
شکیبایی شما همه،
415
00:18:23,159 –> 00:18:26,909
امروز با شبکه اینجا بسیار سرگرم کننده بود، اوه بله
416
00:18:26,909 –> 00:18:35,309
بله، و ظاهراً
417
00:18:35,309 –> 00:18:38,039
به زودی یک Wi-Fi امن دریافت خواهیم کرد. با این،
418
00:18:38,039 –> 00:18:42,080
خیلی خوب است
419
00:18:55,170 –> 00:18:58,300
و من فکر می کنم نیک به زودی آن را از بین
420
00:18:58,300 –> 00:19:08,790
خواهد برد، ظاهراً بله، باشه،
421
00:19:27,070 –> 00:19:30,619
پس دوباره خوش آمدید، متشکرم رندی
422
00:19:30,619 –> 00:19:33,019
برای مروری بر اکوسیستم سریع
423
00:19:33,019 –> 00:19:35,330
پروژه رپیدز.
424
00:19:35,330 –> 00:19:38,359
425
00:19:38,359 –> 00:19:41,419
آدرس IP لطفاً
426
00:19:41,419 –> 00:19:45,049
اگر به نظر میرسد که ما خوب هستیم، دست خود را بلند کنید، اما
427
00:19:45,049 –> 00:19:47,179
اگر کسی وارد شد و گیج شد،
428
00:19:47,179 –> 00:19:48,409
زیرا فقط به او بگویید که
429
00:19:48,409 –> 00:19:49,580
باید دست خود را بلند کند و پرچم یکی از
430
00:19:49,580 –> 00:19:51,950
ما را در صورتی که متوجه نشدیم.
431
00:19:51,950 –> 00:19:55,450
وارد شوید همه میتوانند به صفحهای دسترسی پیدا کنند
432
00:19:55,450 –> 00:20:00,379
که به این شکل است، بسیار خوب، متشکرم
433
00:20:00,379 –> 00:20:03,980
بسیار عالی، گفتم ما
434
00:20:03,980 –> 00:20:06,649
برای کمک به شما در حل این مشکل تلاش میکنیم، اما
435
00:20:06,649 –> 00:20:17,929
وقتی در ابتدا به این ایده خوب نگاه کردید، خوب
436
00:20:17,929 –> 00:20:23,899
است، بنابراین تا زمانی که ما روی به دست آوردن کار میکنیم
437
00:20:23,899 –> 00:20:26,629
چراغ ها روشن می شوند وقتی به
438
00:20:26,629 –> 00:20:28,129
این آدرسهای IP میروید، کاری که در واقع
439
00:20:28,129 –> 00:20:32,509
انجام میدهید این است که در مرورگر خود یک
440
00:20:32,509 –> 00:20:34,429
نوت بوک تعاملی مشتری را اجرا میکنید
441
00:20:34,429 –> 00:20:36,799
که در فضای ابری میزبانی میشود و بنابراین اولین
442
00:20:36,799 –> 00:20:39,169
کاری که باید انجام دهید این است که روی این
443
00:20:39,169 –> 00:20:43,249
نقطه شاخص IP ynb کلیک کنید که
444
00:20:43,249 –> 00:20:52,100
با تشکر از آنتونی. بسیار خوب، متشکرم، این
445
00:20:52,100 –> 00:20:55,129
دفترچه یادداشت شاخص است و بنابراین نقطه در صورتی
446
00:20:55,129 –> 00:20:58,929
که کسی با پسوند چشم آشنا نباشد، پسوند PI و B
447
00:20:58,929 –> 00:21:00,919
فقط پسوند فایل نوت بوک مشتری است
448
00:21:00,919 –> 00:21:03,830
و بنابراین این یک
449
00:21:03,830 –> 00:21:05,269
آموزش بسیار ابتدایی است که فقط
450
00:21:05,269 –> 00:21:08,629
چند چیز را پوشش می دهد که امیدواریم
451
00:21:08,629 –> 00:21:09,950
شما را ترک کند. در پایان این جلسه سه و
452
00:21:09,950 –> 00:21:11,659
نیم ساعته با یک مرور کلی
453
00:21:11,659 –> 00:21:15,259
و درک کاملاً دقیق
454
00:21:15,259 –> 00:21:17,149
از معنای نوشتن کد در اکوسیستم رپیدز
455
00:21:17,149 –> 00:21:18,559
و برای کسانی از شما که
456
00:21:18,559 –> 00:21:20,600
با پایتون آشنایی دارند، احتمالاً
457
00:21:20,600 –> 00:21:23,149
اگر این کار را انجام دهید، کاملاً آشنا خواهید بود.
458
00:21:23,149 –> 00:21:24,889
کارهای مربوط به تجزیه و تحلیل در پایتون که احتمالاً
459
00:21:24,889 –> 00:21:26,899
بسیاری از شما انجام می دهید به همین دلیل است که امیدواریم اینجا هستید
460
00:21:26,899 –> 00:21:29,119
و بنابراین با
461
00:21:29,119 –> 00:21:32,029
این دفترچه فهرست شروع می شود که
462
00:21:32,029 –> 00:21:32,600
اساساً
463
00:21:32,600 –> 00:21:34,009
یک نمای کلی از موارد مختلف را به شما ارائه می دهد. نوتبوکهای
464
00:21:34,009 –> 00:21:35,450
موجود در این مخزن، بنابراین میتوانید ببینید
465
00:21:35,450 –> 00:21:36,649
که یک دفترچه یادداشت مقدماتی وجود دارد که
466
00:21:36,649 –> 00:21:38,870
میتوانید با این لینک روی آن کلیک
467
00:21:38,870 –> 00:21:40,850
کنید، البته اگر
468
00:21:40,850 –> 00:21:43,100
تمایل زیادی به این دفترچه یادداشت دارید، میتوانید در اینجا پیمایش کنید،
469
00:21:43,100 –> 00:21:44,870
اما لینکها کار میکنند، ما در
470
00:21:44,870 –> 00:21:48,169
ابتدا با ساعتی از محتوا
471
00:21:48,169 –> 00:21:50,539
در قاب داده CUDA همانطور که رندی در
472
00:21:50,539 –> 00:21:51,529
مورد آن صحبت می کرد، ما یک
473
00:21:51,529 –> 00:21:53,960
دفترچه یادداشت مقدماتی را مرور خواهیم کرد که فکر می
474
00:21:53,960 –> 00:21:55,820
کنم هفت تمرین دارد که به
475
00:21:55,820 –> 00:21:58,490
شما کمک می کند فقط احساس کنید
476
00:21:58,490 –> 00:22:00,919
نوشتن کدی که از قاب داده CUDA استفاده می کند
477
00:22:00,919 –> 00:22:03,130
و به چه معناست. درست شبیه کد پانداها است و
478
00:22:03,130 –> 00:22:05,179
سپس به یک نوت بوک جدید
479
00:22:05,179 –> 00:22:07,940
می رویم که همچنین بر روی کارهایی که می توانید
480
00:22:07,940 –> 00:22:09,710
از نظر نوشتن توابع خود انجام دهید برای
481
00:22:09,710 –> 00:22:12,320
اعمال این نوع منطق سفارشی و
482
00:22:12,320 –> 00:22:15,909
توابع سفارشی در فریم های داده CUDA تمرکز می کند و
483
00:22:15,909 –> 00:22:17,450
دوباره وجود دارد. چند
484
00:22:17,450 –> 00:22:19,389
تمرین باشد که از شما می خواهد کارهایی مانند
485
00:22:19,389 –> 00:22:21,590
ایجاد توابع فاصله خود و
486
00:22:21,590 –> 00:22:23,690
ایجاد توابع تعریف شده توسط کاربر خود را
487
00:22:23,690 –> 00:22:26,450
برای کارهای مختلف انجام دهید که
488
00:22:26,450 –> 00:22:28,159
راه حل ها ارائه شده است، اما اگر شما
489
00:22:28,159 –> 00:22:30,350
ما شما را تشویق میکنیم
490
00:22:30,350 –> 00:22:32,450
حداقل فوراً تقلب نکنید، سپس
491
00:22:32,450 –> 00:22:34,370
یک استراحت کوتاه میکنیم و به qu ml میرویم
492
00:22:34,370 –> 00:22:37,009
که رندی گفته است که
493
00:22:37,009 –> 00:22:38,960
کتابخانه یادگیری ماشینی است، منظور من اکوسیستم Rapids
494
00:22:38,960 –> 00:22:41,269
است و مبتنی بر
495
00:22:41,269 –> 00:22:42,470
یادگیری scikit است. باید
496
00:22:42,470 –> 00:22:44,360
برای کسانی از شما
497
00:22:44,360 –> 00:22:46,610
که از چنین پیشینه و
498
00:22:46,610 –> 00:22:48,230
تجربه ای می آیند بسیار آشنا به نظر برسد و سپس
499
00:22:48,230 –> 00:22:50,720
صحبت در مورد ku graph را به پایان می رسانیم که یک
500
00:22:50,720 –> 00:22:53,059
کتابخانه تجزیه و تحلیل گراف است در همان مسیر
501
00:22:53,059 –> 00:22:54,649
چیزی مانند شبکه X که
502
00:22:54,649 –> 00:22:57,080
پروژه هایی مانند هورنت را یکپارچه می کند. و دیگران از
503
00:22:57,080 –> 00:23:00,440
Georgia Tech و UC San Diego و
504
00:23:00,440 –> 00:23:02,360
به همین ترتیب اولین کاری که باید انجام دهید این است
505
00:23:02,360 –> 00:23:04,399
که نوت بوک مقدماتی را که می
506
00:23:04,399 –> 00:23:05,600
بینید باز کنید، من فقط روی
507
00:23:05,600 –> 00:23:07,759
لینک اینجا کلیک کردم و این
508
00:23:07,759 –> 00:23:09,470
نوت بوک را نشان داد و اگر کسی
509
00:23:09,470 –> 00:23:11,750
با این پیوندها مشکلی دارد یا هر چیز دیگری
510
00:23:11,750 –> 00:23:13,129
لطفاً دست خود را بالا ببرید و یکی از ما
511
00:23:13,129 –> 00:23:15,710
بیاید و سعی کند به شما کمک کند و
512
00:23:15,710 –> 00:23:17,830
بنابراین می توانید بلافاصله ببینید که
513
00:23:17,830 –> 00:23:19,759
این دفترچه
514
00:23:19,759 –> 00:23:20,929
ایجاد شده است.
515
00:23:20,929 –> 00:23:23,029
idia به نام پل هندریکس که
516
00:23:23,029 –> 00:23:25,159
نمیتوانست امروز اینجا با ما باشد، اما ما
517
00:23:25,159 –> 00:23:26,240
شما را تشویق میکنیم که این
518
00:23:26,240 –> 00:23:28,250
نوتبوک را مرور کنید و واقعاً هدف اینجا در
519
00:23:28,250 –> 00:23:30,110
درجه اول این خط است تا
520
00:23:30,110 –> 00:23:33,759
مطمئن شوید که در
521
00:23:33,759 –> 00:23:37,149
هنگام اجرای این خط شما واقعاً یک GPU داریم.
522
00:23:37,149 –> 00:23:39,620
اساساً یک دستور ترمینال را بر اساس
523
00:23:39,620 –> 00:23:42,860
این علامت تعجب کوچک اجرا می کنید که یک
524
00:23:42,860 –> 00:23:44,659
دستور استاندارد است که می توانید آن را اجرا کنید تا
525
00:23:44,659 –> 00:23:46,429
اساساً متوجه شوید
526
00:23:46,429 –> 00:23:48,889
که سیستم خود چیست و بنابراین اگر یک
527
00:23:48,889 –> 00:23:51,049
GPU در اینجا نمی بینید در واقع باید تقریباً این را ببینید.
528
00:23:51,049 –> 00:23:52,759
دقیقاً همان اطلاعاتی که من
529
00:23:52,759 –> 00:23:55,039
در حال حاضر انجام می دهم، شما باید یک Tesla T
530
00:23:55,039 –> 00:23:57,950
برای GPU ببینید، اگر این چیزی نیست که می بینید،
531
00:23:57,950 –> 00:23:59,840
لطفاً دست خود را بالا بیاورید، یکی از ما می
532
00:23:59,840 –> 00:24:01,519
آید زیرا واضح است که شما به یک GPU
533
00:24:01,519 –> 00:24:05,539
قابل دسترسی برای این آموزش نیاز خواهید داشت.
534
00:24:05,539 –> 00:24:08,570
این واقعاً
535
00:24:08,570 –> 00:24:09,950
هدف معرفی است، ما شما را تشویق می کنیم
536
00:24:09,950 –> 00:24:11,629
که پس از خواندن مقدمه، آن را بخوانید،
537
00:24:11,629 –> 00:24:13,940
می توانید به فهرست برگردید و با خیال راحت
538
00:24:13,940 –> 00:24:16,580
روی این مقدمه برای نوت بوک KU DF کلیک کنید
539
00:24:16,580 –> 00:24:18,769
که اولین دفترچه یادداشت
540
00:24:18,769 –> 00:24:23,629
منطقه را نشان می دهد. با
541
00:24:23,629 –> 00:24:25,039
مرور آن متوجه خواهید شد
542
00:24:25,039 –> 00:24:28,519
که خطوط مختلف و
543
00:24:28,519 –> 00:24:30,769
سلولهای نوتبوک احمقانهتری وجود دارد که میتوانید برای
544
00:24:30,769 –> 00:24:31,549
کسانی از شما که تجربه کمتری
545
00:24:31,549 –> 00:24:33,830
با نوتبوکهای مشتری
546
00:24:33,830 –> 00:24:36,289
547
00:24:36,289 –> 00:24:37,879
دارید اجرا کنید. نامرتب ممکن
548
00:24:37,879 –> 00:24:40,549
است چیزی شبیه به این را ببینید که در آن
549
00:24:40,549 –> 00:24:41,779
چیزهای مختلف تعریف نمی
550
00:24:41,779 –> 00:24:44,450
شوند، اگر در نهایت موارد را نامرتب اجرا کنید با خطا مواجه
551
00:24:44,450 –> 00:24:46,940
می شوید و گیج
552
00:24:46,940 –> 00:24:48,409
553
00:24:48,409 –> 00:24:50,809
می شوید. واقعاً
554
00:24:50,809 –> 00:24:52,490
گیج میشوید، میتوانید هسته خود را
555
00:24:52,490 –> 00:24:55,220
به طور کامل مجدداً راهاندازی کنید و سپس دوباره از
556
00:24:55,220 –> 00:24:57,289
بالا شروع کنید.
557
00:24:57,289 –> 00:24:58,999
558
00:24:58,999 –> 00:25:00,710
559
00:25:00,710 –> 00:25:05,539
560
00:25:05,539 –> 00:25:07,820
561
00:25:07,820 –> 00:25:10,190
برای پاسخ دادن پیشگیرانه به برخی از آنها، اگر نه،
562
00:25:10,190 –> 00:25:11,720
لطفاً
563
00:25:11,720 –> 00:25:13,369
هنگام گذراندن آموزش، با بالا بردن دست خود به سؤالات پاسخ دهید
564
00:25:13,369 –> 00:25:16,580
و خواهید دید که
565
00:25:16,580 –> 00:25:19,759
تمرین ها با تمرین 2 و t ترسیم شده اند.
566
00:25:19,759 –> 00:25:21,019
در اینجا یک سلول برای شما وجود دارد
567
00:25:21,019 –> 00:25:22,940
که می توانید در آن بنویسید، همچنین می توانید سلول هایی را در نوت بوک ایجاد کنید،
568
00:25:22,940 –> 00:25:24,769
اگر خیلی تمایل دارید
569
00:25:24,769 –> 00:25:33,980
با رفتن به چاه ویرایش،
570
00:25:33,980 –> 00:25:34,999
دقیقاً مطمئن نیستم کجاست، اما آن را
571
00:25:34,999 –> 00:25:36,649
پیدا می کنم، می توانید روی آن کلیک کنید. سمت و
572
00:25:36,649 –> 00:25:38,600
روی a کلیک کنید تا به بالا بروید و روی B را کلیک کنید تا به
573
00:25:38,600 –> 00:25:40,429
زیر بروید و من در آموزش متوجه خواهم شد که واقعا کجاست،
574
00:25:40,429 –> 00:25:47,539
اما اگر به فضای بیشتری نیاز
575
00:25:47,539 –> 00:25:49,100
دارید، می توانید روی کنار اینجا
576
00:25:49,100 –> 00:25:51,470
کلیک کنید و روی a و B کلیک کنید تا یک سلول بالا و
577
00:25:51,470 –> 00:25:54,909
پایین اضافه کنید. جایی که مکاننمای فعلیتان
578
00:25:54,909 –> 00:25:58,059
خوب است،
579
00:25:58,200 –> 00:26:03,179
اگر در دورهای به پایان برسانید که به
580
00:26:03,179 –> 00:26:04,230
نظر میرسد خیلی جلوتر از
581
00:26:04,230 –> 00:26:05,489
همسایههایتان هستید، خوب به نظر میرسد
582
00:26:05,489 –> 00:26:08,249
583
00:26:08,249 –> 00:26:10,080
584
00:26:10,080 –> 00:26:14,009
. همینجا
585
00:26:14,009 –> 00:26:15,649
لطفاً در
586
00:26:15,649 –> 00:26:18,539
صورت داشتن علایق فراتر
587
00:26:18,539 –> 00:26:20,609
از نوت بوک و کسب اطلاعات بیشتر در مورد این نوت بوک، این سؤالات را
588
00:26:20,609 –> 00:26:22,049
بپرسید، ما خوشحال می شویم در مورد آن صحبت کنیم،
589
00:26:22,049 –> 00:26:24,960
اما لطفاً در
590
00:26:24,960 –> 00:26:26,340
حین تکمیل دفترچه یادداشت بعدی به جلو حرکت کنید،
591
00:26:26,340 –> 00:26:28,619
اما اگر لطفاً
592
00:26:28,619 –> 00:26:31,049
رفتن به بخش دو را متوقف کنید زیرا قبل از اینکه
593
00:26:31,049 –> 00:26:34,799
در مورد qu ml صحبت کنیم دانته است که من قصد
594
00:26:34,799 –> 00:26:36,179
دارم یک مرور کلی مقدماتی از
595
00:26:36,179 –> 00:26:42,600
آن را نیز ارائه دهم
596
00:26:42,600 –> 00:26:44,070
تا همه بتوانند سؤالی را که در دفترچه یادداشت بود بشنوند،
597
00:26:44,070 –> 00:26:46,859
بخشی وجود دارد که
598
00:26:46,859 –> 00:26:48,480
نشان می دهد چگونه می توانید انجام دهید. مواردی مانند پرس و جو
599
00:26:48,480 –> 00:26:52,409
با استفاده از پرس و جوی متد API واقعی این است
600
00:26:52,409 –> 00:26:54,570
که چون این روش ترجیحی برای
601
00:26:54,570 –> 00:26:57,029
انجام این کار است در مقابل انجام
602
00:26:57,029 –> 00:27:01,499
خطای دسترسی نمادگذاری نقطه پانداهای متعارف
603
00:27:01,499 –> 00:27:03,659
و در واقع انجام پرس و جو
604
00:27:03,659 –> 00:27:06,570
به این صورت، پاسخ منفی است، فقط
605
00:27:06,570 –> 00:27:07,919
به این دلیل است که می خواهیم نشان دهیم. که شما می توانید
606
00:27:07,919 –> 00:27:09,299
هر دو را به خوبی انجام دهید
607
00:27:09,299 –> 00:27:12,359
سلام به همه، بنابراین من فکر می کنم که ما می
608
00:27:12,359 –> 00:27:14,100
خواهیم این دفترچه را به عنوان یک گروه
609
00:27:14,100 –> 00:27:19,619
در اینجا بررسی کنیم، بنابراین امیدوارم این کار ادامه داشته
610
00:27:19,619 –> 00:27:22,710
باشد و همه چیز جواب دهد، و
611
00:27:22,710 –> 00:27:24,239
اگر سؤالی دارید که فکر می کنید می
612
00:27:24,239 –> 00:27:28,739
تواند باشد. مفید است که به صورت عمومی بپرسید یا حتی اگر
613
00:27:28,739 –> 00:27:29,940
فکر نمی کنید مفید هستند، احتمالاً
614
00:27:29,940 –> 00:27:34,980
می توانند از آنها بپرسید که این
615
00:27:34,980 –> 00:27:39,059
لپ تاپ من نیست، بنابراین اساساً ما فقط
616
00:27:39,059 –> 00:27:41,970
در اولین سلول اینجا راه اندازی می
617
00:27:41,970 –> 00:27:46,440
کنیم و تصادفی می گیریم دانه همیشه انجام می دهد
618
00:27:46,440 –> 00:27:48,359
کسی که قبلاً با پانداها آشنایی دارد
619
00:27:48,359 –> 00:27:51,379
یا آیا کسی وجود دارد بله
620
00:27:51,379 –> 00:27:55,879
خوب است، من فکر می کنم که اساساً همه
621
00:27:55,879 –> 00:27:58,879
خوشبختانه
622
00:27:59,100 –> 00:28:01,799
یا برخی از شما نمی خواهید اعتراف کنید
623
00:28:01,799 –> 00:28:03,539
که با پانداها آشنا هستید
624
00:28:03,539 –> 00:28:06,299
، این کار خودتان است و من می خواهم شما را
625
00:28:06,299 –> 00:28:09,450
برای آن صدا کنم. بنابراین این فقط یک
626
00:28:09,450 –> 00:28:11,850
مثال بسیار ساده از پانداها را نشان میدهد، بنابراین
627
00:28:11,850 –> 00:28:16,200
یک قاب داده با کلیدی که میشناسید را با
628
00:28:16,200 –> 00:28:19,679
چند ستون مختلف در اینجا کلید و
629
00:28:19,679 –> 00:28:24,240
مقدار نشان میدهیم و سپس میتوانید یک قاب معمولی پاندا را
630
00:28:24,240 –> 00:28:27,000
یک قاب داده مانند فعالیتهایی مانند
631
00:28:27,000 –> 00:28:29,640
تجمیع در یک قاب خاص انجام دهید. ستون مهم
632
00:28:29,640 –> 00:28:32,039
633
00:28:32,039 –> 00:28:35,970
نیست، ایده پشت qu DF به طور خاص این است
634
00:28:35,970 –> 00:28:39,120
که سعی کنید تا حد امکان با API پانداها مطابقت داشته باشید
635
00:28:39,120 –> 00:28:43,320
و بنابراین انجام کارهایی مانند
636
00:28:43,320 –> 00:28:48,059
آنچه در پانداها انجام دادیم بسیار
637
00:28:48,059 –> 00:28:49,679
شبیه به هم هستند، اساساً تنها
638
00:28:49,679 –> 00:28:51,450
تفاوت در اینجا این است که به جای
639
00:28:51,450 –> 00:28:53,490
وارد کردن از پانداها یا وارد کردن از
640
00:28:53,490 –> 00:28:59,490
qu DF بنابراین این تفاوت
641
00:28:59,490 –> 00:29:01,049
از نظر API است که دقیقاً در زیر
642
00:29:01,049 –> 00:29:03,900
کاورها کاملاً جداگانه پیاده سازی
643
00:29:03,900 –> 00:29:06,360
شده است، این است که حافظه در اینجا
644
00:29:06,360 –> 00:29:09,900
همه روی GPU است اوه و کسی هست که من
645
00:29:09,900 –> 00:29:19,620
این را لغو می کنم و شما می دانید که ما می
646
00:29:19,620 –> 00:29:22,020
توانیم چارچوب داده خود را بازگردانیم، بنابراین فقط
647
00:29:22,020 –> 00:29:24,330
یک تفاوت بسیار جزئی است و می
648
00:29:24,330 –> 00:29:26,669
توانیم همان فعالیت های پاندا را انجام
649
00:29:26,669 –> 00:29:28,020
دهیم که انجام می دهیم، اما این
650
00:29:28,020 –> 00:29:30,390
محاسبات دوباره
651
00:29:30,390 –> 00:29:36,659
در API مشابه GPU درست است، بنابراین ما
652
00:29:36,659 –> 00:29:40,140
میتوانیم سریها را از سری یا
653
00:29:40,140 –> 00:29:42,929
اشیاء دیگر ایجاد کنیم، میتوانیم فریمهای داده پیچیدهتری ایجاد کنیم،
654
00:29:42,929 –> 00:29:48,960
همچنین میتوانید
655
00:29:48,960 –> 00:29:51,960
656
00:29:51,960 –> 00:29:55,320
با استفاده از پانداها و به
657
00:29:55,320 –> 00:29:59,580
اعتقاد من دو روش پاندا، دادهها را به GPU و CPU به عقب و جلو انتقال دهید. در اینجا ما
658
00:29:59,580 –> 00:30:02,850
چیزی داشتیم که در پانداها
659
00:30:02,850 –> 00:30:06,150
در حافظه اصلی CPU بود و سپس
660
00:30:06,150 –> 00:30:09,480
با ایجاد یک فریم داده DF کودتا، آن را به GPU ارسال میکنیم.
661
00:30:09,480 –> 00:30:14,070
662
00:30:14,070 –> 00:30:17,330
663
00:30:18,830 –> 00:30:21,900
664
00:30:21,900 –> 00:30:24,900
درست است به طوری که چون شما به
665
00:30:24,900 –> 00:30:27,179
معنای واقعی کلمه می گویید این را بگیرید، آن
666
00:30:27,179 –> 00:30:30,900
را در اینجا بگذارید، خوب هر سوال دیگری،
667
00:30:30,900 –> 00:30:43,080
بله متأسفم، شما باید
668
00:30:43,080 –> 00:30:48,510
در کتابخانه واقعی ku DF سوال را شکست دهید،
669
00:30:48,510 –> 00:30:50,490
هیچ عملیات تنبلی وجود ندارد،
670
00:30:50,490 –> 00:30:52,980
زمانی که شما هنگام exe دارید یک
671
00:30:52,980 –> 00:30:55,559
تابع زیبا که تابع اجرا می کند
672
00:30:55,559 –> 00:30:57,299
یک کتابخانه دیگر وجود دارد که ما از آن استفاده می کنیم به نام ASCII
673
00:30:57,299 –> 00:30:59,190
که بخشی از این آموزش نیست
674
00:30:59,190 –> 00:31:01,110
اما از آن برای انجام multi-gpu و مواردی از این
675
00:31:01,110 –> 00:31:05,640
قبیل استفاده می کنیم – یک کتابخانه تنبل است بله
676
00:31:05,640 –> 00:31:18,929
سوال عالی بله سوال عالی
677
00:31:18,929 –> 00:31:23,850
واقعاً بنابراین پاسخ بله، بنابراین
678
00:31:23,850 –> 00:31:26,669
سوال این است که اگر در حال
679
00:31:26,669 –> 00:31:29,280
دستکاری متن زیاد روی GPU هستید این است
680
00:31:29,280 –> 00:31:31,440
که هنوز شتاب داده می شود و
681
00:31:31,440 –> 00:31:50,760
پاسخ کوتاه این است که بله و اگر من از خوب استفاده
682
00:31:50,760 –> 00:31:52,980
کنم و دقیقاً همان کار را انجام دهم
683
00:31:52,980 –> 00:31:55,590
به 100 می رسم. نه برابر سریعتر، اما اگر
684
00:31:55,590 –> 00:32:00,330
واقعاً از یک طول ثابت استفاده
685
00:32:00,330 –> 00:32:05,549
کنم، به 18 میرسم، بنابراین دیوید فقط برای
686
00:32:05,549 –> 00:32:09,179
تکرار مثال ODE در اینجا،
687
00:32:09,179 –> 00:32:12,659
اگر یک رشته کوتاه در پانداها و یک
688
00:32:12,659 –> 00:32:15,270
رشته کوتاه تایپ فریم داده را در یک قاب داده را
689
00:32:15,270 –> 00:32:18,059
جایگزین کنید در پانداها 900
690
00:32:18,059 –> 00:32:20,659
میلیثانیه است،
691
00:32:25,400 –> 00:32:29,270
بله، و سپس وقتی
692
00:32:29,270 –> 00:32:34,080
فریم دادهای Q DF را به G d/f تبدیل
693
00:32:34,080 –> 00:32:36,150
میکنید، به صد کاهش مییابد و اگر
694
00:32:36,150 –> 00:32:38,100
واقعاً شما هستید، از
695
00:32:38,100 –> 00:32:40,560
نوع شی استفاده میکنید و سپس اگر از یک نوع شناسه UMP
696
00:32:40,560 –> 00:32:42,210
رشته ای با طول ثابت که d می شود
697
00:32:42,210 –> 00:32:45,620
18 میلیثانیه است، بنابراین
698
00:33:18,340 –> 00:33:31,669
فکر میکنم این بار میانگین فقط برای
699
00:33:31,669 –> 00:33:33,889
افزودن سریع به آن است، ما
700
00:33:33,889 –> 00:33:38,299
همچنین در زمان واقعی هنر را ساختهایم و در حال حاضر
701
00:33:38,299 –> 00:33:40,100
قابلیتهای
702
00:33:40,100 –> 00:33:42,769
خواندن مستقیم دادهها بر روی GPU را بهبود بخشیده و گسترش
703
00:33:42,769 –> 00:33:44,749
دادهایم تا دیگر نیازی به ارسال داده نداشته باشید. روی
704
00:33:44,749 –> 00:33:47,090
CPU و آن را مستقیماً در دستگاه کپی کنید،
705
00:33:47,090 –> 00:33:49,549
به همان روشی که این
706
00:33:49,549 –> 00:33:51,409
دادهخوانهای شتابدهنده GPU بسته به نوع دادهها میتوانند به میزان قابل توجهی سریعتر
707
00:33:51,409 –> 00:33:54,139
باشند و
708
00:33:54,139 –> 00:33:55,909
بدیهی است که ما شاهد
709
00:33:55,909 –> 00:33:57,980
افزایش سرعت فوقالعاده با چیزهایی مانند دانشگاه ما هستیم،
710
00:33:57,980 –> 00:34:00,139
بله لطفاً استاندارد آنها را ببینید.
711
00:34:00,139 –> 00:34:02,779
مواردی از این دست اگر به چیزهایی از این دست علاقه
712
00:34:02,779 –> 00:34:04,700
دارید یا به
713
00:34:04,700 –> 00:34:06,200
کل کتابخانه رشته ها نگاه می کنید که
714
00:34:06,200 –> 00:34:08,030
برای آن
715
00:34:08,030 –> 00:34:09,949
توابع و روش های مختلفی وجود دارد و فقط کافی است
716
00:34:09,949 –> 00:34:13,668
جایگزین کنید، می توانید اسناد را بررسی کنید
717
00:34:13,668 –> 00:34:15,500
و می توانید
718
00:34:15,500 –> 00:34:17,418
نحوه انجام آن را به شما نشان دهید. که بعداً در مرحلهای، اما
719
00:34:17,418 –> 00:34:20,989
Docstoc Rapids AI است و
720
00:34:20,989 –> 00:34:22,730
اطلاعات زیادی در مورد همه قابلیتها
721
00:34:22,730 –> 00:34:24,500
وجود دارد و یک کتابخانه رشتهای با ویژگیهای کامل وجود دارد،
722
00:34:24,500 –> 00:34:28,339
بله سؤال عالی gre در
723
00:34:28,339 –> 00:34:33,980
بحث در مورد رشتهها، بنابراین انواع
724
00:34:33,980 –> 00:34:36,799
ابزارهای بازرسی پانداهای معمولی نیز
725
00:34:36,799 –> 00:34:38,359
در دسترس هستند، بنابراین اگر به
726
00:34:38,359 –> 00:34:41,750
فراخوانی مانند head frame یا dfdl عادت دارید،
727
00:34:41,750 –> 00:34:44,299
این موارد نیز در دسترس هستند،
728
00:34:44,299 –> 00:34:47,809
در اینجا گیج نشوید DF هنوز یک
729
00:34:47,809 –> 00:34:51,859
فریم داده GPU است. بنابراین میتوانید دادههایی را
730
00:34:51,859 –> 00:34:55,549
که دارید بررسی کنید، میتوانید ستونهایی را انتخاب
731
00:34:55,549 –> 00:34:59,180
کنید که معمولاً میتوانید
732
00:34:59,180 –> 00:35:02,480
با برچسب انتخاب کنید یا چندین انتخاب
733
00:35:02,480 –> 00:35:05,569
انجام دهید.
734
00:35:05,569 –> 00:35:08,390
735
00:35:08,390 –> 00:35:12,770
736
00:35:12,770 –> 00:35:14,720
همه اینها باید برای افرادی
737
00:35:14,720 –> 00:35:19,640
که روزانه از پانداها استفاده می کنند آشنا باشد، بنابراین اگر
738
00:35:19,640 –> 00:35:21,349
سؤالی در مورد هر یک از این
739
00:35:21,349 –> 00:35:26,089
موارد وجود دارد، لطفاً من را متوقف کنید، بنابراین انتخاب
740
00:35:26,089 –> 00:35:28,200
بر اساس فهرست نیز
741
00:35:28,200 –> 00:35:32,710
خوب است، بنابراین اولین تمرین این بود
742
00:35:32,710 –> 00:35:35,680
که انتخاب کنم. فقط در یک مسیر
743
00:35:35,680 –> 00:35:39,010
مشخص تعدادی ردیف از قاب داده چرخانده می
744
00:35:39,010 –> 00:35:40,900
شود و بعد آیا کسی
745
00:35:40,900 –> 00:35:42,549
راه حلی دارد که بخواهد
746
00:35:42,549 –> 00:35:44,619
اینجا تایپ کنم یا چه کار کرد مردم
747
00:35:44,619 –> 00:35:54,990
رفتند من فریاد بزنم باید برای آن صحبت کنم
748
00:35:57,809 –> 00:36:11,230
: 9 خوب یا 4 کاما 9 4 کاما 9 بله اوه 2
749
00:36:11,230 –> 00:36:20,640
ثانیه براکتهای چهارگوش بله درست است،
750
00:36:20,670 –> 00:36:24,420
همه جا را قفل میکنم
751
00:36:25,319 –> 00:36:26,619
752
00:36:26,619 –> 00:36:32,680
و بعد شاید نه، آه، شما باید
753
00:36:32,680 –> 00:36:41,640
آن را چاپ کنید، همانجاست، ما
754
00:36:41,640 –> 00:36:47,109
خیلی خوب پیش میرویم و آیا آنجا هستیم
755
00:36:47,109 –> 00:36:49,710
، این پاسخ
756
00:36:50,640 –> 00:36:53,410
درست نمایهسازی بولی است، بنابراین شما به طور مشابه کار میکند.
757
00:36:53,410 –> 00:36:55,059
758
00:36:55,059 –> 00:36:59,319
شما یک ماسک بولی ایجاد میکنید و سپس
759
00:36:59,319 –> 00:37:03,670
میتوانید با آن ایندکس کنید، در اینجا
760
00:37:03,670 –> 00:37:07,000
query meth نیز در دسترس است و
761
00:37:07,000 –> 00:37:10,029
میتوانید این پرسوجوهای مختلف را
762
00:37:10,029 –> 00:37:13,539
در آن ارسال کنید، بنابراین شاید واقعاً باید
763
00:37:13,539 –> 00:37:16,920
این را از طریق تابع KHOU چاپ
764
00:37:16,920 –> 00:37:23,039
کنید. در اینجا یک صفحه کلید جدید یاد میگیرم، بله
765
00:37:23,039 –> 00:37:27,220
، آیا سؤالی در این مورد وجود دارد،
766
00:37:27,220 –> 00:37:30,760
باید بسیار آشنا باشد،
767
00:37:30,760 –> 00:37:34,900
خب، بنابراین ما این تمرین را انجام ندهیم،
768
00:37:34,900 –> 00:37:40,840
دادههای گم شدهای وجود دارد، بنابراین
769
00:37:40,840 –> 00:37:44,460
ویژگیهای شما نیز مانند
770
00:37:44,460 –> 00:37:47,140
پانداها یک مرتبسازی معمولی است. از آمارهایی که
771
00:37:47,140 –> 00:37:49,950
در دسترس
772
00:37:49,950 –> 00:37:53,650
هستند، این روش نقشه کاربردی وجود دارد که
773
00:37:53,650 –> 00:37:58,660
به شما امکان می دهد یک تابع را در
774
00:37:58,660 –> 00:38:01,480
قاب داده اعمال کنید و به این ترتیب همه
775
00:38:01,480 –> 00:38:04,900
جابجایی و اعمال شوند و این
776
00:38:04,900 –> 00:38:06,869
همه رشته من است. روشها و همه چیز
777
00:38:06,869 –> 00:38:11,140
از آنجایی که ما به نفع زمان هستیم، آیا
778
00:38:11,140 –> 00:38:13,150
کسی اصلاً در مورد این
779
00:38:13,150 –> 00:38:15,760
نوت بوک سؤالی در هر کجای پایینتر دارد
780
00:38:15,760 –> 00:38:26,320
بله بله،
781
00:38:26,320 –> 00:38:30,070
بنابراین در حال حاضر ما پشتیبانی بسیار استانداردی
782
00:38:30,070 –> 00:38:32,920
برای چند نمایه داریم.
783
00:38:32,920 –> 00:38:35,109
784
00:38:35,109 –> 00:38:37,510
پیشرفت در قابلیت کامل کردن آن وجود دارد، اما
785
00:38:37,510 –> 00:38:39,369
ما
786
00:38:39,369 –> 00:38:40,930
برای مواردی مانند خداحافظی چند شاخصه، پشتیبانی عملکردی
787
00:38:40,930 –> 00:38:43,869
788
00:38:43,869 –> 00:38:46,540
789
00:38:46,540 –> 00:38:52,960
790
00:38:52,960 –> 00:38:54,640
داریم.
791
00:38:54,640 –> 00:39:00,520
Pandas API بزرگ است و می
792
00:39:00,520 –> 00:39:01,660
دانید که این چیزها همیشه در حال بهتر شدن و
793
00:39:01,660 –> 00:39:04,150
بهبود هستند، بنابراین بله،
794
00:39:04,150 –> 00:39:06,040
هنوز کامل نشده است، اما
795
00:39:06,040 –> 00:39:09,850
نزدیک تر می شود، بنابراین هر سوال دیگری در
796
00:39:09,850 –> 00:39:14,730
این نوت بوک وجود دارد، بله،
797
00:39:34,810 –> 00:39:40,180
حدس می زنم که واقعاً
798
00:39:40,180 –> 00:39:42,460
پیچیده تر است. موارد مربوط به تاریخ/زمان
799
00:39:42,460 –> 00:39:44,440
مانند نمونهبرداری مجدد و مانند
800
00:39:44,440 –> 00:39:46,240
نمونهبرداری مجدد سریهای زمانی، ما یک عملکرد سری زمانی عالی داریم،
801
00:39:46,240 –> 00:39:48,430
اما چیزهایی مانند
802
00:39:48,430 –> 00:39:50,920
نمونهبرداری مجدد و این نوع
803
00:39:50,920 –> 00:39:53,260
کارکردها واقعیت این بود که خوب نیست یا به
804
00:39:53,260 –> 00:39:56,950
طور کلی در پرواز هدف ما این است که به
805
00:39:56,950 –> 00:39:59,620
طور کامل نمایش داده شویم و بنابراین اگر مواردی وجود
806
00:39:59,620 –> 00:40:00,790
دارد که متوجه شده اید که وجود ندارد
807
00:40:00,790 –> 00:40:03,670
لطفاً به ما اطلاع دهید یا می توانید لطفاً به
808
00:40:03,670 –> 00:40:05,590
ما اجازه دهید بیایم همین الان چت کنیم و
809
00:40:05,590 –> 00:40:06,910
به ما بگویید آنچه می خواهید، می توانید بفهمید
810
00:40:06,910 –> 00:40:08,920
که وجود دارد، اما
811
00:40:08,920 –> 00:40:10,270
این یک پروژه عمومی منبع
812
00:40:10,270 –> 00:40:12,430
باز است، توسعه صد در صد منبع باز در
813
00:40:12,430 –> 00:40:13,690
github است، شما می توانید همه چیزهای احمقانه
814
00:40:13,690 –> 00:40:16,930
و چیزهای هوشمندانه ای را که ما می گوییم ببینید و به همین دلیل
815
00:40:16,930 –> 00:40:18,310
به این معنی است که می توانید ویژگی ایجاد کنید
816
00:40:18,310 –> 00:40:20,290
درخواستها و ما واقعاً به آن گوش میدهیم
817
00:40:20,290 –> 00:40:22,060
و این بر درک توسعه ما تأثیر میگذارد
818
00:40:22,060 –> 00:40:28,710
که کاربران دقیقاً چه میخواهند کارول،
819
00:40:40,980 –> 00:40:44,560
بله، بنابراین سؤال این است که
820
00:40:44,560 –> 00:40:46,300
سؤال کارول این است که آیا بهترین
821
00:40:46,300 –> 00:40:48,130
روش برای گفتن من یک
822
00:40:48,130 –> 00:40:51,760
کتابخانه پانداها از قبل ساخته شده است یا ابزار پانداها
823
00:40:51,760 –> 00:40:54,130
از قبل در دسترس است و چگونه انجام شده است. آیا
824
00:40:54,130 –> 00:40:57,070
میتوانم به ku DF بروم، بنابراین بسیار خوب است، این یک
825
00:40:57,070 –> 00:40:59,650
سوال عالی است، هنوز بهترین
826
00:40:59,650 –> 00:41:02,500
روش در مورد آن وجود ندارد،
827
00:41:02,500 –> 00:41:04,930
توصیه من فکر میکنم mmm که
828
00:41:04,930 –> 00:41:08,380
میدهیم وارد کردن Kodiak one
829
00:41:08,380 –> 00:41:11,110
t است. وای بررسی چک چک بررسی
830
00:41:11,110 –> 00:41:13,360
وجود دارد کار در این نوع از PI داده
831
00:41:13,360 –> 00:41:16,900
اکوسیستم کلیسا آن چاک هی چک یکی
832
00:41:16,900 –> 00:41:20,710
دو هی چیزهای مشابه به numpy در
833
00:41:20,710 –> 00:41:24,070
PI در مورد اجتناب از این مشکل با
834
00:41:24,070 –> 00:41:26,650
درک آنها از توابع فراخوانی
835
00:41:26,650 –> 00:41:28,570
حتی اگر numpy بنویسید اما در
836
00:41:28,570 –> 00:41:30,490
واقع در پردازنده گرافیکی ما در مورد
837
00:41:30,490 –> 00:41:30,730
838
00:41:30,730 –> 00:41:34,510
فریم های داده خیلی به این نکته توجه نکرده ایم، بله، بله، و
839
00:41:34,510 –> 00:41:36,460
وقتی از تجربه جفرسون می گویید
840
00:41:36,460 –> 00:41:41,079
که اگر فقط ابزارهای پاندای خالص
841
00:41:41,079 –> 00:41:42,720
دارید، در واقع بسیار آسان است،
842
00:41:42,720 –> 00:41:45,089
به خصوص اگر کار
843
00:41:45,089 –> 00:41:47,740
فوق العاده ای مانند بسیاری از
844
00:41:47,740 –> 00:41:50,020
شاخص های چندگانه انجام نمی دهید. یا هر چیزی شبیه به آن، اگر به
845
00:41:50,020 –> 00:41:52,450
نوعی عمیقتر در نوشتن
846
00:41:52,450 –> 00:41:58,030
کد numba سطح پایین هستید، این اکوسیستم،
847
00:41:58,030 –> 00:41:59,619
این پشته هنوز برای
848
00:41:59,619 –> 00:42:02,260
تعامل کامل با آن وجود ندارد، اما همانطور که
849
00:42:02,260 –> 00:42:05,079
نیک گفت میدانید که ما میتوانیم،
850
00:42:05,079 –> 00:42:07,030
بسیار آسان است مسائل باز شده و سپس
851
00:42:07,030 –> 00:42:10,900
آن مسائل حل می شوند، بنابراین بله، بله،
852
00:42:10,900 –> 00:42:11,349
853
00:42:11,349 –> 00:42:13,420
در نهایت خوب است، بنابراین ما یک میکروفون دیگر داریم، بنابراین اگر
854
00:42:13,420 –> 00:42:18,130
سؤالی دارید، می توانیم در واقع مشکلی نداشته باشیم،
855
00:42:18,130 –> 00:42:23,099
فکر می کنم این برای این نوت بوک است،
856
00:42:23,099 –> 00:42:25,480
بنابراین نه بعدی tebook و اگر
857
00:42:25,480 –> 00:42:28,329
به موقع آن را تمام نکردید، کاملاً خوب است، می
858
00:42:28,329 –> 00:42:31,540
توانید این نوت بوک ها را دانلود
859
00:42:31,540 –> 00:42:33,339
کنید، فقط یک دفترچه یادداشت مشتری است، می توانید
860
00:42:33,339 –> 00:42:39,099
آنها را از آنجا دانلود کنید همچنین
861
00:42:39,099 –> 00:42:41,530
ابزار را مانند دفترچه یادداشت یا کتابخانه های واقعی دانلود
862
00:42:41,530 –> 00:42:44,800
کنید، باید بتوانید دانلود
863
00:42:44,800 –> 00:42:48,130
کنید نوتبوکها با ذخیره کردن نوتبوکها، اگر
864
00:42:48,130 –> 00:42:52,030
این کار نکرد،
865
00:42:52,030 –> 00:42:55,180
866
00:42:55,180 –> 00:42:57,130
اشکالی ندارد، این نوتبوکها در واقع عمومی هستند در حال حاضر فعال هستند، بله، یک
867
00:42:57,130 –> 00:42:59,740
گیتبوک پست میشود که آنها را دیر نشان میدهند که من
868
00:42:59,740 –> 00:43:03,540
آنها را دوست دارم از من در پایان هستم، پس این کار را نکنید.
869
00:43:04,170 –> 00:43:08,200
بعداً در مورد آن صحبت کنید، بنابراین دوباره
870
00:43:08,200 –> 00:43:09,790
اگر تمام نکردید، اینها عمومی هستند یا
871
00:43:09,790 –> 00:43:11,020
اگر کاملاً عمومی نیستند
872
00:43:11,020 –> 00:43:13,359
، هدف همین است و ما
873
00:43:13,359 –> 00:43:14,380
در انتهای این
874
00:43:14,380 –> 00:43:16,599
و دفترچه بعدی به کودک پیوندی می دهیم.
875
00:43:16,599 –> 00:43:19,540
دومین نوت بوک از دو نوت بوک qdf در
876
00:43:19,540 –> 00:43:21,819
مورد توابع تعریف شده توسط کاربر است که می توانید
877
00:43:21,819 –> 00:43:23,170
با
878
00:43:23,170 –> 00:43:25,690
کلیک کردن روی پیوند اینجا به شما دسترسی پیدا کنید.
879
00:43:25,690 –> 00:43:27,430
880
00:43:27,430 –> 00:43:29,829
881
00:43:29,829 –> 00:43:31,089
882
00:43:31,089 –> 00:43:33,400
اطلاعات ارزشمندی در اینجا وجود دارد و
883
00:43:33,400 –> 00:43:36,220
مثالهای خوبی در مورد اینکه چگونه میتوانید کارهایی
884
00:43:36,220 –> 00:43:37,990
مانند نوشتن توابع سفارشی و بهکارگیری
885
00:43:37,990 –> 00:43:40,690
آنها به صورت موازی روی فریمهای داده انجام دهید
886
00:43:40,690 –> 00:43:42,150
که میتواند
887
00:43:42,150 –> 00:44:03,530
سرعت قابل توجهی داشته باشد، بله،
888
00:44:03,530 –> 00:44:06,030
متأسفانه لایکهای من برای
889
00:44:06,030 –> 00:44:09,060
این کنفرانس دعوت نمیکنند، بنابراین کار نکرد.
890
00:44:09,060 –> 00:44:15,410
من نیستم، بله بله بله بله
891
00:44:39,780 –> 00:44:43,440
آدرس IP دیگری، آدرس IP که من دارم
892
00:44:43,440 –> 00:44:45,540
در Google Cloud است، بنابراین فکر میکنم این یک
893
00:44:45,540 –> 00:44:48,930
Google GCP است، اما در واقع
894
00:44:48,930 –> 00:44:50,010
چیزی فراتر از آن پیوند
895
00:44:50,010 –> 00:44:53,130
تنظیم صف کتابخانهها و راهاندازی آن را نمیدانم. شما
896
00:44:53,130 –> 00:44:55,349
میدانید که همه چیز شامل چه مواردی میشود، اگر
897
00:44:55,349 –> 00:44:57,240
میدانید یک بار که این کار انجام شد،
898
00:44:57,240 –> 00:44:59,970
من باید نمونه خودم را بچرخانم
899
00:44:59,970 –> 00:45:02,400
و اگر
900
00:45:02,400 –> 00:45:03,770
901
00:45:03,770 –> 00:45:06,930
فایلهای پیکربندی یا آموزشی دارید
902
00:45:06,930 –> 00:45:12,300
که میتوانم آن را دنبال کنم، بهترین روشها یا توصیههای شما چیست. فکر کن چه می شود اگر
903
00:45:12,300 –> 00:45:17,700
بتوانیم بالا بیاییم و خیلی خوب جواب بدهیم
904
00:45:17,700 –> 00:45:18,690
905
00:45:18,690 –> 00:45:24,000
، کمی سریعتر تکرار می کنم، بله
906
00:45:24,000 –> 00:45:26,280
بله کاملاً، بنابراین در واقع برای بسیاری
907
00:45:26,280 –> 00:45:28,770
از ارائه دهندگان ابر ما کانتینرها
908
00:45:28,770 –> 00:45:30,780
و تصاویر آماده داریم، اما به طور
909
00:45:30,780 –> 00:45:33,710
کلی این نمونههای ابری استاندارد Google هستند
910
00:45:33,710 –> 00:45:37,260
که میتوانید
911
00:45:37,260 –> 00:45:39,510
مقدار GPU و مقدار منابع CPU
912
00:45:39,510 –> 00:45:41,430
را که میتوانید استفاده کنید انتخاب کنید، اگر به درستی یادم باشد
913
00:45:41,430 –> 00:45:44,820
ما این مورد را با چهار CPU و 30
914
00:45:44,820 –> 00:45:46,950
گیگابایت حافظه CPU و Tesla T
915
00:45:46,950 –> 00:45:50,359
fours با 16 گیگابایت GPU انجام دادیم. نمونه برداری از
916
00:45:50,359 –> 00:45:54,050
حافظه بسیار آسان است، ما
917
00:45:54,050 –> 00:45:55,880
Google در حال حاضر مجموعه ای از
918
00:45:55,880 –> 00:45:58,160
تصاویر پیش فرض را ارائه می دهد اگر می خواهید از
919
00:45:58,160 –> 00:46:01,420
ابتدا با Ubuntu 1604 elbow 1804 یا
920
00:46:01,420 –> 00:46:03,530
CentOS شروع کنید که سه
921
00:46:03,530 –> 00:46:05,960
توزیع لینوکس هستند که ما به طور فعال آزمایش
922
00:46:05,960 –> 00:46:08,510
می کنیم و می توانیم به طور رسمی بگوییم که کار می کنند و
923
00:46:08,510 –> 00:46:10,490
سپس میتوانید فقط روش پیشنهادی ما
924
00:46:10,490 –> 00:46:12,140
در بالای مقادیر از Condit برای
925
00:46:12,140 –> 00:46:14,300
نصب بستههای خود استفاده کنید و به این ترتیب
926
00:46:14,300 –> 00:46:16,250
میتوانید آخرین نسخهها را دریافت کنید، میتوانید
927
00:46:16,250 –> 00:46:20,030
آخرین نسخههای coup d fq m l qu graph را دریافت کنید
928
00:46:20,030 –> 00:46:22,340
که برای بسیاری از پروژهها من هرگز
929
00:46:22,340 –> 00:46:24,440
نصب شبانه بیلد را توصیه نمیکنم.
930
00:46:24,440 –> 00:46:26,570
مورد ما اغلب اوقات، ساختهای شبانه
931
00:46:26,570 –> 00:46:28,220
دارای رفع اشکال هستند، زیرا ما سرعت توسعه بسیار بالایی داریم،
932
00:46:28,220 –> 00:46:31,280
933
00:46:31,280 –> 00:46:32,690
بنابراین توصیه من بهعنوان یک
934
00:46:32,690 –> 00:46:35,060
google cloud استاندارد یا ابر دیگر است.
935
00:46:35,060 –> 00:46:37,400
ارائهدهندگان با آن
936
00:46:37,400 –> 00:46:39,530
نسخههای سیستمهای عملیاتی تصویر میکنند و از رفتار
937
00:46:39,530 –> 00:46:41,510
برای نصب آخرین نسخه یا
938
00:46:41,510 –> 00:46:44,210
کتابخانههای شبانه مورد علاقه شما استفاده
939
00:46:44,210 –> 00:46:45,710
میکنند و به این ترتیب
940
00:46:45,710 –> 00:46:48,170
نسخههای صحیح
941
00:46:48,170 –> 00:46:50,810
موارد مورد نیاز مانند پانداهایی
942
00:46:50,810 –> 00:46:55,070
که توسط دیگری اجرا میشوند را نیز به شما میدهند. جعبه ابزار CUDA
943
00:46:55,070 –> 00:47:15,890
بسته Condor و چیزهای دیگر را
944
00:47:15,890 –> 00:47:18,200
با یک GPU بسیار زیبا در آنجا
945
00:47:18,200 –> 00:47:27,560
نیز که دارای 16 گیگ B حافظه گرافیکی
946
00:47:27,560 –> 00:47:30,970
است که خیلی ضعیف نیست،
947
00:48:00,690 –> 00:48:03,910
بله، این لینکی است که رندی
948
00:48:03,910 –> 00:48:05,589
در مورد آن صحبت می کند، می توانید به اینجا بروید و
949
00:48:05,589 –> 00:48:07,240
نوعی انتخاب کنید. و انتخاب کنید چه نسخه ای از
950
00:48:07,240 –> 00:48:09,250
Rapids را می خواهید مشاهده کنید کدام روش
951
00:48:09,250 –> 00:48:11,769
نصب را مشاهده کنید و این به شما
952
00:48:11,769 –> 00:48:14,440
یک خط می دهد تا سعی کنید انجام دهید که اگر
953
00:48:14,440 –> 00:48:15,609
کسی این کتابخانه های منبع باز دیگر
954
00:48:15,609 –> 00:48:18,099
را داشته باشد، انتخاب های زیادی
955
00:48:18,099 –> 00:48:22,210
مانند این دارد که ما از آنها بسیار زیبا الهام گرفتیم.
956
00:48:22,210 –> 00:48:24,700
ماهی مثل این است، بنابراین برای اینکه
957
00:48:24,700 –> 00:48:41,410
زندگی زندگی مردم راحت تر شود، بله، پس از
958
00:48:41,410 –> 00:48:43,029
آن ما 15 دقیقه استراحت
959
00:48:43,029 –> 00:48:44,559
خواهیم داشت، سپس برمی گردیم، یک ارائه مختصر در مورد آن به شما ارائه خواهم کرد.
960
00:48:44,559 –> 00:48:48,730
حالت
961
00:48:48,730 –> 00:48:50,619
بلدرچین و نمودار COO که تفاوتهای جزئی
962
00:48:50,619 –> 00:48:54,509
با فلسفه کودیه دارند، من
963
00:48:54,509 –> 00:48:57,069
آن را بیشتر روی بلدرچین متمرکز خواهم کرد فقط به
964
00:48:57,069 –> 00:48:59,400
این دلیل که من تعصب دارم و دوست دارم چه کسی AM L بهتر است
965
00:48:59,400 –> 00:49:02,170
دکمه نگویید که رسما هر دو
966
00:49:02,170 –> 00:49:04,950
کتابخانه عالی هستند
967
00:49:27,000 –> 00:49:28,770
[موسیقی]
968
00:49:28,770 –> 00:49:30,300
یکی چیز دیگری که ممکن است به همه شما کمک کند
969
00:49:30,300 –> 00:49:31,830
فکر می کنم سوالات مشابهی در مورد
970
00:49:31,830 –> 00:49:34,170
شما وجود دارد که می دانید چگونه X را در
971
00:49:34,170 –> 00:49:35,340
kudiye برای یکی از
972
00:49:35,340 –> 00:49:37,890
کتابخانه های Rapids انجام دهم، بنابراین علاوه بر این
973
00:49:37,890 –> 00:49:40,800
وب سایت Rapids که هوش مصنوعی است، یک URL خوب که واقعا
974
00:49:40,800 –> 00:49:44,850
مفید است Docs Dios es است. Rapids AI برای
975
00:49:44,850 –> 00:49:46,020
هر یک از پروژههای Rapids
976
00:49:46,020 –> 00:49:48,660
پیوندهایی به اسناد API پایتون و
977
00:49:48,660 –> 00:49:51,450
اسناد API زیربنایی C++ آنها وجود دارد و ما
978
00:49:51,450 –> 00:49:53,430
پیوندهایی به آنچه در حال حاضر
979
00:49:53,430 –> 00:49:55,430
در بستههای انتشار موجود است و همچنین
980
00:49:55,430 –> 00:49:58,410
ساختهای سند شبانه داریم، بنابراین اگر Doc Rapids Day را دید،
981
00:49:58,410 –> 00:50:04,080
من یک دوست خوب خواهم بود. دروازه راحت
982
00:50:04,080 –> 00:50:06,330
یک سوال در مورد Slack وجود داشت که ما اکنون در آن هستیم
983
00:50:06,330 –> 00:50:08,640
و بسیار خوشحال خواهیم شد که به
984
00:50:08,640 –> 00:50:10,710
سؤالات در slack پاسخ دهیم و همچنین متأسفیم
985
00:50:10,710 –> 00:50:12,540
که در آن نبودیم.
986
00:50:12,540 –> 00:50:16,290
987
00:50:16,290 –> 00:50:17,910
b کاربران سرویسها میتوانند Rapids را راهاندازی کنند
988
00:50:17,910 –> 00:50:20,610
و پاسخ این است که شما میتوانید
989
00:50:20,610 –> 00:50:21,750
همان کاری را انجام دهید که واقعاً
990
00:50:21,750 –> 00:50:24,210
اینجا در AWS اتفاق میافتد
991
00:50:24,210 –> 00:50:26,640
، چیز خیلی خوبی نیست
992
00:50:26,640 –> 00:50:28,290
، آزمایشی است که میتوانید مانند
993
00:50:28,290 –> 00:50:31,500
Google Cola انجام دهید، اما کاملاً روی آن کار میکند.
994
00:50:31,500 –> 00:50:33,780
سوال AWS همچنین به نوعی توصیه های من را
995
00:50:33,780 –> 00:50:36,150
برای نمونه های GPU پرسیده است،
996
00:50:36,150 –> 00:50:37,830
شما باید از نمونه ای استفاده کنید که
997
00:50:37,830 –> 00:50:40,680
با Rapids سازگار باشد و این بدان معنی است
998
00:50:40,680 –> 00:50:42,180
که باید یک GPU متصل به آن داشته باشد که
999
00:50:42,180 –> 00:50:44,700
حداقل دارای معماری پاسکال یا
1000
00:50:44,700 –> 00:50:47,940
جدیدتر باشد که به اعتقاد من به این معنی است. شما
1001
00:50:47,940 –> 00:50:49,740
میتوانید از یکی از
1002
00:50:49,740 –> 00:50:51,900
نمونههای p3 یا یکی از نمونههای جدید
1003
00:50:51,900 –> 00:50:53,550
با نیروی T که
1004
00:50:53,550 –> 00:50:55,500
متأسفانه در آن
1005
00:50:55,500 –> 00:51:00,090
نام نمونه خاص را خالی میکنم استفاده کنید، اما ما میتوانیم
1006
00:51:00,090 –> 00:51:01,710
آن لیست را پیدا کنیم، فقط شما میدانید که
1007
00:51:01,710 –> 00:51:03,720
فقط یک لیست است. از چند نوع نمونه
1008
00:51:03,720 –> 00:51:05,250
و ما میتوانیم به آن سؤال نیز پاسخ دهیم و با خیال
1009
00:51:05,250 –> 00:51:07,760
1010
00:51:07,830 –> 00:51:11,580
راحت به کار خود ادامه دهیم، اما
1011
00:51:11,580 –> 00:51:13,140
بسیاری از چندین نفر از شما در
1012
00:51:13,140 –> 00:51:14,760
مورد این عبارات چاپی
1013
00:51:14,760 –> 00:51:17,370
در هسته پست امضا شده با چکش سؤال
1014
00:51:17,370 –> 00:51:19,230
کردهاید. بخشی از این نوت بوک
1015
00:51:19,230 –> 00:51:20,670
منطقی است و به خصوص به این دلیل که وقتی
1016
00:51:20,670 –> 00:51:24,170
این هسته را اجرا می کنید هیچ خروجی چاپی وجود ندارد
1017
00:51:24,170 –> 00:51:26,850
و به نظر عجیب می رسد و بنابراین به
1018
00:51:26,850 –> 00:51:29,250
طور خلاصه در اینجا مورد بحث قرار می گیرد، اما
1019
00:51:29,250 –> 00:51:32,570
اساساً این دلیل اصلی این است که چرا
1020
00:51:32,570 –> 00:51:35,160
این توابع تعریف شده توسط کاربر استفاده می کنیم.
1021
00:51:35,160 –> 00:51:37,530
در GPU فوق العاده سریع هستند
1022
00:51:37,530 –> 00:51:41,390
و بنابراین در CUDA اساساً و
1023
00:51:41,390 –> 00:51:43,620
اساساً همه معماری های GPU همانطور که
1024
00:51:43,620 –> 00:51:45,090
رندی به طور خلاصه در ابتدا ذکر کرد
1025
00:51:45,090 –> 00:51:47,670
ما چیزها را به عنوان رشته ها در نظر می گیریم و هر
1026
00:51:47,670 –> 00:51:49,260
رشته واحدی از کار را
1027
00:51:49,260 –> 00:51:51,270
مستقل از رشته های دیگر انجام می دهد،
1028
00:51:51,270 –> 00:51:52,680
اما در واقع رشته های ساختار یافته در آنها
1029
00:51:52,680 –> 00:51:55,080
سازماندهی شده است. بلوکها و
1030
00:51:55,080 –> 00:51:57,240
ساختار دیگری وجود دارد که
1031
00:51:57,240 –> 00:51:58,890
لازم نیست واقعاً فراتر از این به آن بروید،
1032
00:51:58,890 –> 00:52:01,140
اما
1033
00:52:01,140 –> 00:52:03,420
1034
00:52:03,420 –> 00:52:05,490
اگر علاقه دارید با جستجو در اطراف،
1035
00:52:05,490 –> 00:52:07,950
در مورد چیزهایی مانند warps و انواع چیزهای مختلف اطلاعات بیشتری کسب کنید.
1036
00:52:07,950 –> 00:52:09,990
این
1037
00:52:09,990 –> 00:52:12,480
thread ها یک واحد کار را انجام می دهند
1038
00:52:12,480 –> 00:52:14,400
و نخ ها در یک بلوک هستند و در
1039
00:52:14,400 –> 00:52:17,070
این مورد برای مثال در این actua به
1040
00:52:17,070 –> 00:52:19,740
عنوان مثال، میتوانید ببینید که
1041
00:52:19,740 –> 00:52:21,240
ما یک قاب دادهای داشتیم که یک قاب داده از
1042
00:52:21,240 –> 00:52:26,490
هزار ردیف داشت و در زیر
1043
00:52:26,490 –> 00:52:29,700
هود به طور بهینه تکه تکه میشود و هر
1044
00:52:29,700 –> 00:52:33,300
بلوک مقداری داده و در
1045
00:52:33,300 –> 00:52:35,670
این مورد خروجی چاپ را دریافت میکند. ما
1046
00:52:35,670 –> 00:52:37,980
اینجا داریم چیزی نیست که اکنون میبینید، اما اگر
1047
00:52:37,980 –> 00:52:39,240
بخواهید آن را روی ترمینال خود اجرا کنید، در
1048
00:52:39,240 –> 00:52:41,760
واقع این خروجی چاپی را مشاهده میکنید که
1049
00:52:41,760 –> 00:52:44,100
هر رشته قرار است
1050
00:52:44,100 –> 00:52:46,320
این عبارت چاپی را چاپ کند و
1051
00:52:46,320 –> 00:52:48,390
این متغیر است که
1052
00:52:48,390 –> 00:52:51,780
شناسه رشتهها را تعیین میکند. thread یک شناسه است در این
1053
00:52:51,780 –> 00:52:53,400
مورد فقط یک مختصات x می تواند
1054
00:52:53,400 –> 00:52:55,040
بسته به نحوه ساختار آن یک Y داشته باشد،
1055
00:52:55,040 –> 00:52:57,960
اما هر رشته یک شناسه دارد که به ما کمک می کند
1056
00:52:57,960 –> 00:53:02,220
بدانیم در آرایه خروجی نتیجه نهایی هستیم و
1057
00:53:02,220 –> 00:53:04,470
نتایج این محاسبه
1058
00:53:04,470 –> 00:53:08,190
باید به آنجا برود. بسیاری از
1059
00:53:08,190 –> 00:53:10,200
چیزهای مختلف مانند این،
1060
00:53:10,200 –> 00:53:12,480
ویژگی های مختلف داده ها و چیزهای خاص CUDA
1061
00:53:12,480 –> 00:53:14,340
مانند ابعاد بلوک و
1062
00:53:14,340 –> 00:53:15,690
شناسه های بلوک است که به ما کمک می کند
1063
00:53:15,690 –> 00:53:18,180
ردیابی کنیم که این داده ها کجا باید بروند یا
1064
00:53:18,180 –> 00:53:20,370
خروجی حاصل باید برود.
1065
00:53:20,370 –> 00:53:21,660
1066
00:53:21,660 –> 00:53:23,490
او میشنود که میداند هر رشته بهطور
1067
00:53:23,490 –> 00:53:24,990
مستقل کار میکند، آنها در
1068
00:53:24,990 –> 00:53:29,369
بلوکها سازماندهی شدهاند و این دادههایی که
1069
00:53:29,369 –> 00:53:31,170
ما از هزار ردیف داشتیم
1070
00:53:31,170 –> 00:53:33,930
به پانزده بلوک تقسیم شد، حالا شما نمیدانستید
1071
00:53:33,930 –> 00:53:35,339
که به پانزده بلوک تقسیم شده است و
1072
00:53:35,339 –> 00:53:37,740
ما نمیدانستیم. حتی بدانید که این کار برای ما انجام شد
1073
00:53:37,740 –> 00:53:40,289
در بخش بعدی ما در واقع نشان میدهیم
1074
00:53:40,289 –> 00:53:42,180
که چگونه میتوانید روی آن کنترل داشته باشید، اما
1075
00:53:42,180 –> 00:53:44,579
به طور پیشفرض به شما امکان میدهد
1076
00:53:44,579 –> 00:53:46,589
آن را به طور خودکار در زیر کاپوت تکه کنید و چون ما
1077
00:53:46,589 –> 00:53:49,500
پانزده بلوک داشتیم، تصمیم
1078
00:53:49,500 –> 00:53:51,569
گرفتیم 64 رشته را راهاندازی کنیم. می توانستیم رشته
1079
00:53:51,569 –> 00:53:53,069
های زیادی راه اندازی کنیم اما ما فقط
1080
00:53:53,069 –> 00:53:55,289
هزار ردیف داشتیم و بنابراین
1081
00:53:55,289 –> 00:53:58,140
اگر 64 رشته در هر بلوک
1082
00:53:58,140 –> 00:54:01,109
15 بلاک داشتیم به ما 960 رشته می داد که به این معنی است که هر رشته
1083
00:54:01,109 –> 00:54:04,619
مسئول یک ردیف است، مگر نه کاملاً
1084
00:54:04,619 –> 00:54:06,780
زیرا ما هزار ردیف و فقط
1085
00:54:06,780 –> 00:54:10,349
960 رشته داشتیم. و این بدان معناست که برخی
1086
00:54:10,349 –> 00:54:11,940
از رشتههایی که باید در واقع
1087
00:54:11,940 –> 00:54:14,280
از طریق آرایهای از دو رکورد عبور کنید، این همان
1088
00:54:14,280 –> 00:54:16,440
چیزی است که در اینجا دارید، این خروجی چاپی
1089
00:54:16,440 –> 00:54:17,609
فقط سعی میکند به شما حسی از
1090
00:54:17,609 –> 00:54:19,559
آنچه که در واقع در e.
1091
00:54:19,559 –> 00:54:22,500
هر رشته،
1092
00:54:22,500 –> 00:54:24,960
اگر فقط یک رکورد به آن اختصاص داده شده باشد، کار خاصی انجام میدهد،
1093
00:54:24,960 –> 00:54:27,089
زیرا یکی از
1094
00:54:27,089 –> 00:54:28,380
رشتههایی بود که نیازی به کار روی
1095
00:54:28,380 –> 00:54:31,740
آن نداشت – پس اگر باید انجام میداد، کار را تمام میکنیم –
1096
00:54:31,740 –> 00:54:33,240
باید اولین کار را انجام میداد. یکی و سپس دومی
1097
00:54:33,240 –> 00:54:36,089
که منطقی است این همان چیزی است که
1098
00:54:36,089 –> 00:54:37,500
به آن موازی باورنکردنی میدهد
1099
00:54:37,500 –> 00:54:39,569
که هر رشته به طور مستقل با
1100
00:54:39,569 –> 00:54:46,410
دسترسی به دادههای کامل که نیاز دارد کار میکند، خوب
1101
00:54:46,410 –> 00:54:55,049
سلام به همه، بنابراین میتوانیم فکر
1102
00:54:55,049 –> 00:54:56,849
کنم کاری که در حال حاضر انجام خواهیم داد این است که بپرسید که آیا
1103
00:54:56,849 –> 00:54:58,890
کسی در مورد این
1104
00:54:58,890 –> 00:55:03,599
دفترچه یا هر سوالی در مورد
1105
00:55:03,599 –> 00:55:07,579
این UDF ها یا هر چیز دیگری سوالی دارد و سپس می
1106
00:55:07,579 –> 00:55:12,319
توانیم استراحت کنیم، بنابراین هیچ فشاری برای
1107
00:55:12,319 –> 00:55:14,789
پرسیدن سوالات وجود ندارد، اما من مطمئن هستم که آنها
1108
00:55:14,789 –> 00:55:17,450
احتمالاً
1109
00:55:19,430 –> 00:55:23,599
درک کاملی برای همه دارند،
1110
00:55:25,250 –> 00:55:28,230
خوب است. اگر سؤالی وجود ندارد یا اگر
1111
00:55:28,230 –> 00:55:29,630
سؤالی دارید،
1112
00:55:29,630 –> 00:55:33,710
میتوانیم آنها را بعد از جدایی بخریم، بله
1113
00:55:36,030 –> 00:55:39,129
[موسیقی]
1114
00:55:45,950 –> 00:55:48,690
بله، همه این موارد
1115
00:55:48,690 –> 00:55:52,470
برای شما مراقبت میشود، بنابراین لایههای مختلف زیادی وجود دارد،
1116
00:55:52,470 –> 00:55:55,799
بنابراین بیشتر این موارد در
1117
00:55:55,799 –> 00:55:58,380
لایه c++ اتفاق میافتد. به طوری که این یک پیادهسازی c++
1118
00:55:58,380 –> 00:56:00,390
یا یک پیادهسازی CUDA C++ است
1119
00:56:00,390 –> 00:56:04,859
، مانند اینکه یک
1120
00:56:04,859 –> 00:56:06,779
مدیر حافظه وجود دارد و سپس این
1121
00:56:06,779 –> 00:56:08,579
طرح پیکان پیادهسازی میشود و همه
1122
00:56:08,579 –> 00:56:11,339
چیزها و اساساً آنچه میبینید
1123
00:56:11,339 –> 00:56:14,250
که سطح Python
1124
00:56:14,250 –> 00:56:17,369
Rapids یک پوشش دیگر در اطراف همه آنها است.
1125
00:56:17,369 –> 00:56:19,230
بنابراین لازم نیست نگران
1126
00:56:19,230 –> 00:56:21,900
انجام مدیریت حافظه صراحتا باشید،
1127
00:56:21,900 –> 00:56:25,829
بله، اگر می خواهید به سطح CUDA پایین بیایید
1128
00:56:25,829 –> 00:56:28,440
و همه آن کارها را انجام دهید زیرا می
1129
00:56:28,440 –> 00:56:39,210
خواهید به آن خوش آمدید، اما بله، بنابراین
1130
00:56:39,210 –> 00:56:42,869
هارون به تعداد خاصی اشاره کرد.
1131
00:56:42,869 –> 00:56:45,029
CUDA و من فکر میکنم ابزارهای دیگری وجود دارد
1132
00:56:45,029 –> 00:56:47,539
که میتوانید از آنها برای اشتراکگذاری حافظه استفاده
1133
00:56:47,539 –> 00:56:50,160
کنید و اساساً میتوانید
1134
00:56:50,160 –> 00:56:52,500
از کتابخانههای
1135
00:56:52,500 –> 00:56:55,170
مختلفی که وجود دارد، یک نمای از حافظه GPU دریافت کنید، به طوری که
1136
00:56:55,170 –> 00:56:56,760
بدانید نوع کار درست
1137
00:56:56,760 –> 00:56:58,980
هنگام انجام دادهها اتفاق میافتد. تبادل
1138
00:56:58,980 –> 00:57:00,960
بین برخی از این کتابخانههای GPU بله
1139
00:57:00,960 –> 00:57:03,480
که با ku pi کار میکند، بنابراین این ردیفها را اعمال میکنند،
1140
00:57:03,480 –> 00:57:06,000
اینها فقط شمارهگذاری شدهاند.
1141
00:57:06,000 –> 00:57:09,690
1142
00:57:09,690 –> 00:57:12,599
1143
00:57:12,599 –> 00:57:14,369
شماره doc CUDA
1144
00:57:14,369 –> 00:57:21,200
قبلاً در این سؤال خوب جواب می دهد، بله،
1145
00:57:21,200 –> 00:57:23,490
هر یک از ما
1146
00:57:23,490 –> 00:57:28,170
در واقع فکر می کنم من یکی دارم زیرا می خواستم
1147
00:57:28,170 –> 00:57:31,700
یک ستون موجود
1148
00:57:31,700 –> 00:57:33,930
را تغییر دهم و متاسفم که می خواستم یک ستون موجود را تغییر
1149
00:57:33,930 –> 00:57:35,670
دهم و پاسخ خوبی دریافت کردم که باید نگران آن باشم.
1150
00:57:35,670 –> 00:57:37,109
1151
00:57:37,109 –> 00:57:40,680
اگر من این کار را انجام دهم یک شرط مسابقه است زیرا در
1152
00:57:40,680 –> 00:57:42,750
هسته واقعا نمی تواند مطمئن
1153
00:57:42,750 –> 00:57:44,730
باشد که هسته به طور کلی خوب خواهد بود
1154
00:57:44,730 –> 00:57:47,250
و فقط به ردیف خودش اشاره می کند که
1155
00:57:47,250 –> 00:57:50,040
در مورد خاص من درست بود
1156
00:57:50,040 –> 00:57:51,359
اما به هسته ای که شما دارید نگاه نمی کنم.
1157
00:57:51,359 –> 00:57:53,339
این واقعاً هیچ کاری برای اطمینان از
1158
00:57:53,339 –> 00:57:55,109
اینکه خوب است انجام نمی دهد یا
1159
00:57:55,109 –> 00:57:58,140
اینکه هسته Hammerstein دارای زیر من است
1160
00:57:58,140 –> 00:58:00,480
و شما می دانید که در حال تغییر است، اما من می توانم
1161
00:58:00,480 –> 00:58:03,540
هر عددی را در آن هسته بگیرم و شما می
1162
00:58:03,540 –> 00:58:04,920
دانید که می تواند I به اضافه 1 یا
1163
00:58:04,920 –> 00:58:06,720
شما باشید. شماره تصادفی یا چیزی را
1164
00:58:06,720 –> 00:58:10,589
بدانید چگونه میتوانید چه میکنید، اگر چگونه میدانید که چه چیزی در
1165
00:58:10,589 –> 00:58:12,300
مورد شرایط مسابقه نگرانکننده است در آن
1166
00:58:12,300 –> 00:58:14,280
صورت درست است این احتمالاً یک سؤال
1167
00:58:14,280 –> 00:58:21,150
برای دانته است که چگونه میتوانید
1168
00:58:21,150 –> 00:58:22,740
نگران شرایط مسابقه در این خوشحال باشید
1169
00:58:22,740 –> 00:58:24,839
اگر من یک هسته خوب بنویسم هفتم jw.org fa من فقط به این فکر می
1170
00:58:24,839 –> 00:58:26,309
کنم که روش
1171
00:58:26,309 –> 00:58:28,799
فلج شدن این یکی با CUDA این است که
1172
00:58:28,799 –> 00:58:31,230
نخ را ببافید و در واقع PCP را عاقلانه ببینید،
1173
00:58:31,230 –> 00:58:33,299
بنابراین لازم نیست نگران باشید که یک
1174
00:58:33,299 –> 00:58:35,190
شرایط مسابقه فی نفسه
1175
00:58:35,190 –> 00:58:37,950
از شما مراقبت می کند. هنگامی که کامپایلر به
1176
00:58:37,950 –> 00:58:40,319
سراغ سناریوهای چند رشته
1177
00:58:40,319 –> 00:58:42,780
ای می روید، CPU عاقلانه به سراغ چند پردازنده گرافیکی بروید.
1178
00:58:42,780 –> 00:58:44,670
1179
00:58:44,670 –> 00:58:46,859
1180
00:58:46,859 –> 00:58:48,480
1181
00:58:48,480 –> 00:58:51,630
اما در اینجا
1182
00:58:51,630 –> 00:58:53,160
شرایط مسابقه میخواهد مسئلهای باشد که شما
1183
00:58:53,160 –> 00:58:56,069
باید فعالانه نگران آن باشید، من
1184
00:58:56,069 –> 00:58:57,240
کاملاً نمیدانم که مانند این
1185
00:58:57,240 –> 00:58:59,069
هسته که نمونهای نیست که من استعفا دادم
1186
00:58:59,069 –> 00:59:02,720
یا دیگری، زیر من را تغییر میدهد
1187
00:59:02,720 –> 00:59:05,579
تا چیزی باشد اگر من باید
1188
00:59:05,579 –> 00:59:12,180
آن را تغییر میدادم تا I – random int را تغییر دهم، بنابراین معمولاً به همین
1189
00:59:12,180 –> 00:59:14,609
صورت است، بنابراین من
1190
00:59:14,609 –> 00:59:18,450
یک ردیف تصادفی را تغییر میدهم که ردیف من نیست، زیرا
1191
00:59:18,450 –> 00:59:23,809
من فقط نمایهسازی را انجام میدهم بله،
1192
00:59:34,470 –> 00:59:37,720
بنابراین فقط مراقب باشید توصیهای است که دوباره با آن روبرو شوید.
1193
00:59:37,720 –> 00:59:39,910
خوب است من متاسفم که
1194
00:59:39,910 –> 00:59:41,109
ندیدم آنها نمی توانند بدانید که شما
1195
00:59:41,109 –> 00:59:43,810
برای مطالعه ما درخواست می کردید چه اوه بله
1196
00:59:43,810 –> 01:00:10,630
این توصیه منطقی است من نیستم اوه بله
1197
01:00:10,630 –> 01:00:12,849
این پاسخی است که من از زمانی که شما
1198
01:00:12,849 –> 01:00:15,730
مردمی دریافت کردم این است که من نمی توانم از مقدار خروجی
1199
01:00:15,730 –> 01:00:17,500
به عنوان ورودی استفاده کنم یا نمی توانم
1200
01:00:17,500 –> 01:00:19,210
جهش پیدا کنم. به دلیل نگرانی در مورد شرایط مسابقه در جای خود قرار گرفت،
1201
01:00:19,210 –> 01:00:20,590
اما بعد متوجه
1202
01:00:20,590 –> 01:00:22,560
شدم که این محدودیت در واقع
1203
01:00:22,560 –> 01:00:33,310
این نگرانی را حل نمی کند، که
1204
01:00:33,310 –> 01:00:34,030
1205
01:00:34,030 –> 01:00:37,420
اشکالی ندارد، بله متشکرم سوال عالی دیوید، بنابراین فکر می کنم
1206
01:00:37,420 –> 01:00:39,220
هیچ چیز دیگری قبل از استراحت وجود ندارد که چرا
1207
01:00:39,220 –> 01:00:41,170
ما ده دقیقه وقت نمی گذاریم وقت استراحت،
1208
01:00:41,170 –> 01:00:45,880
ساعت 10:18 اینجا همدیگر را ملاقات خواهیم کرد، پس خوب است
1209
01:00:45,880 –> 01:00:47,440
و باید
1210
01:00:47,440 –> 01:00:51,420
در طول مدت استراحت ما غذا و تنقلات وجود داشته باشد، پس خیلی خوب به
1211
01:00:51,420 –> 01:00:54,099
همه خوش آمدید،
1212
01:00:54,099 –> 01:00:58,330
امیدوارم کمی استراحت در آنجا داشته باشید، بنابراین
1213
01:00:58,330 –> 01:01:01,810
درست قبل از شروع کار در
1214
01:01:01,810 –> 01:01:03,609
نیمه دوم آموزش آیا کسی
1215
01:01:03,609 –> 01:01:05,200
در مورد چیزی در نیمه اول سوالی داشت،
1216
01:01:05,200 –> 01:01:11,530
خیلی خوب، پس فکر میکنم
1217
01:01:11,530 –> 01:01:13,540
آن را در اینجا به دانته میسپارم و سپس
1218
01:01:13,540 –> 01:01:17,470
او آن را برمیدارد. متشکرم
1219
01:01:17,470 –> 01:01:17,800
آنتونی
1220
01:01:17,800 –> 01:01:19,960
و خوش آمدید از کوچولو.
1221
01:01:19,960 –> 01:01:22,180
استراحت نیمه دوم شما بود آموزش r
1222
01:01:22,180 –> 01:01:24,460
ما روی بقیه کتابخانههای سریع
1223
01:01:24,460 –> 01:01:27,010
یا بقیه کتابخانههای سریع اصلی تمرکز
1224
01:01:27,010 –> 01:01:29,859
میکنیم، ایده با rapid این است
1225
01:01:29,859 –> 01:01:32,260
که یک راهحل مبتنی بر علم دادههای پشته کامل ارائه دهد
1226
01:01:32,260 –> 01:01:33,220
1227
01:01:33,220 –> 01:01:35,740
تا از طریق کتابخانههای
1228
01:01:35,740 –> 01:01:36,530
متعدد آنها
1229
01:01:36,530 –> 01:01:38,360
و کسی که کاوش کرده است، اینها را انجام دهد.
1230
01:01:38,360 –> 01:01:40,280
شما قبلاً در مدرسه گسترده هستید، بله،
1231
01:01:40,280 –> 01:01:43,520
البته چیزی که در مورد آن وجود دارد این است که چه کسی
1232
01:01:43,520 –> 01:01:45,530
DF احتمالاً پیچیده ترین API است،
1233
01:01:45,530 –> 01:01:47,420
چرا اساساً پاندا است،
1234
01:01:47,420 –> 01:01:50,000
ما فقط آنتونی به آن اشاره کرد که
1235
01:01:50,000 –> 01:01:53,000
برای من یک API عظیم است، بنابراین عملکردهای زیادی وجود دارد که
1236
01:01:53,000 –> 01:01:55,280
یک آموزش مبتنی بر
1237
01:01:55,280 –> 01:01:57,500
EF یا پانداها می توانند بسیار بسیار ثروتمند باشند
1238
01:01:57,500 –> 01:01:58,700
زیرا چیزهای کوچک
1239
01:01:58,700 –> 01:02:00,470
زیادی برای کاوش وجود دارد،
1240
01:02:00,470 –> 01:02:03,350
وقتی وارد دنیای یادگیری ماشینی و تحلیل شبکه می شویم، راه های کمی متفاوت برای انجام کارها وجود دارد،
1241
01:02:03,350 –> 01:02:05,090
1242
01:02:05,090 –> 01:02:07,520
همه چیز بسیار
1243
01:02:07,520 –> 01:02:10,100
متفاوت است، بنابراین این چیزی است که
1244
01:02:10,100 –> 01:02:11,570
در اینجا کمی بررسی خواهیم کرد. و ما به شما ارائه
1245
01:02:11,570 –> 01:02:14,000
خواهیم داد که فلسفه پشت
1246
01:02:14,000 –> 01:02:16,580
نمودارهای ml و ku چیست و
1247
01:02:16,580 –> 01:02:20,060
سپس چند نوت بوک را مرور می کنیم که برخی از آنها
1248
01:02:20,060 –> 01:02:23,180
عمدتاً متمرکز هستند. از
1249
01:02:23,180 –> 01:02:24,770
ایجاد یک رگرسیون خطی استفاده کنید و ببینید که
1250
01:02:24,770 –> 01:02:27,080
چگونه از quill Mel استفاده کنید و سپس
1251
01:02:27,080 –> 01:02:28,520
به یک نوت بوک می پردازیم که نوعی
1252
01:02:28,520 –> 01:02:30,950
تجسم بسیار جالب است بر اساس
1253
01:02:30,950 –> 01:02:33,020
یک لبه برش زیبا، متغیری به نام
1254
01:02:33,020 –> 01:02:34,970
you map که در سال گذشته بسیار محبوب
1255
01:02:34,970 –> 01:02:38,150
بوده است. می گویند چون به
1256
01:02:38,150 –> 01:02:39,920
دلیل نداشتن یک اصطلاح فنی بهتر، بسیار عالی است،
1257
01:02:39,920 –> 01:02:42,590
آن را
1258
01:02:42,590 –> 01:02:44,360
با t-sne که یک الگوریتم عالی بود مقایسه می
1259
01:02:44,360 –> 01:02:46,100
کنیم و خواهیم دید که
1260
01:02:46,100 –> 01:02:48,740
چگونه آنها می توانند
1261
01:02:48,740 –> 01:02:50,560
تجسم بسیار زیبا و مجموعه داده های بسیار پیچیده ایجاد کنند، چقدر متفاوت است
1262
01:02:50,560 –> 01:02:54,860
. مطمئن نیستم هنوز این نمودار را دیدهاید
1263
01:02:54,860 –> 01:02:57,080
یا نه، اما این یکی از
1264
01:02:57,080 –> 01:02:59,750
نمودارهای اصلی ما بوده
1265
01:02:59,750 –> 01:03:03,160
است.
1266
01:03:03,160 –> 01:03:06,830
1267
01:03:06,830 –> 01:03:09,170
1268
01:03:09,170 –> 01:03:11,570
مجموعه داده قابل توجهی خواهد داشت و
1269
01:03:11,570 –> 01:03:12,950
می توانید سعی کنید
1270
01:03:12,950 –> 01:03:14,270
عملیات جالبی را روی آن ایجاد کنید یا
1271
01:03:14,270 –> 01:03:16,910
ETL یا یادگیری ماشینی، بنابراین
1272
01:03:16,910 –> 01:03:19,010
کاری که انجام می دهید این است که Enter را فشار دهید و
1273
01:03:19,010 –> 01:03:20,600
نوت بوک لوله ای را در اطراف اسکریپت پایتون خود قرار دهید
1274
01:03:20,600 –> 01:03:22,760
و به قهوه بروید. برای
1275
01:03:22,760 –> 01:03:23,810
چیزی در حالی که در حال
1276
01:03:23,810 –> 01:03:25,520
پردازش چیزهای کامپیوتری هستید، حتی اگر از
1277
01:03:25,520 –> 01:03:29,000
جرقه برای مقیاسبندی چیزها استفاده میکنید، معمولاً
1278
01:03:29,000 –> 01:03:30,530
مشکل به اندازهای بزرگ است که
1279
01:03:30,530 –> 01:03:32,990
بتوانید به دنبال یک فنجان قهوه خوب خود بروید،
1280
01:03:32,990 –> 01:03:35,600
بنابراین ما تصمیم گرفتیم که کافئین زیاد
1281
01:03:35,600 –> 01:03:36,950
و زندگی دانشمند داده سالم نیست،
1282
01:03:36,950 –> 01:03:39,380
بنابراین کاری که ما سعی می کنیم انجام دهیم این است
1283
01:03:39,380 –> 01:03:41,450
که شما می توانید به جای رفتن به قهوه،
1284
01:03:41,450 –> 01:03:43,700
می توانید کارها را سریعتر اجرا کنید و سریعتر تکرار کنید،
1285
01:03:43,700 –> 01:03:46,380
بنابراین همانطور که
1286
01:03:46,380 –> 01:03:47,580
یادگیری ماشین نوعی
1287
01:03:47,580 –> 01:03:49,470
مشکل بهینه سازی است و ایده این است
1288
01:03:49,470 –> 01:03:51,360
که بهترین مدل ها را با بهترین
1289
01:03:51,360 –> 01:03:53,490
پارامترها هر چه تعداد دفعات بیشتری بتوانید مدلهای مختلف را امتحان کنید،
1290
01:03:53,490 –> 01:03:54,900
میتوانید کارهای بهتری
1291
01:03:54,900 –> 01:03:56,460
انجام دهید، بنابراین
1292
01:03:56,460 –> 01:03:58,410
فلسفهای که میخواهیم به آن بپردازیم و اینکه چرا کاری را
1293
01:03:58,410 –> 01:04:00,900
انجام میدهیم، این
1294
01:04:00,900 –> 01:04:03,080
چیز دیگری است که ما را به شدت تحت فشار قرار میدهد
1295
01:04:03,080 –> 01:04:05,820
یا یکی از کارهای ما انگیزه اصلی
1296
01:04:05,820 –> 01:04:09,240
این است که استفاده از همه چیز را برای
1297
01:04:09,240 –> 01:04:11,250
سالیان متمادی آسان کنیم، استفاده از CUDA
1298
01:04:11,250 –> 01:04:13,650
برای انجام کارها بسیار سریع با پردازندههای گرافیکی
1299
01:04:13,650 –> 01:04:16,890
امکانپذیر
1300
01:04:16,890 –> 01:04:18,540
1301
01:04:18,540 –> 01:04:20,460
بوده است. میآید Hadoop
1302
01:04:20,460 –> 01:04:22,860
come Spark کارها آسانتر شد، بنابراین کاری که
1303
01:04:22,860 –> 01:04:24,930
ما میخواستیم انجام دهیم این است که
1304
01:04:24,930 –> 01:04:27,210
برای بقیه طرحها با پردازندههای گرافیکی یک
1305
01:04:27,210 –> 01:04:29,880
پشته سریع وجود دارد که شما فقط از همان
1306
01:04:29,880 –> 01:04:32,730
کدی استفاده میکنید که با Dre
1307
01:04:32,730 –> 01:04:34,380
pandas scikit-learn network X و همه موارد دیگر استفاده میکنید.
1308
01:04:34,380 –> 01:04:37,260
چیزهای ناگهانی فقط کار می کنند رویای لوله ما این است که شما
1309
01:04:37,260 –> 01:04:39,810
فقط چرخه واردات واردات را تغییر دهید واردات
1310
01:04:39,810 –> 01:04:42,420
SK برای واردات یاد بگیرید تا ku ml وارد کنید و
1311
01:04:42,420 –> 01:04:44,550
چیزها به طور جادویی کار می کنند البته
1312
01:04:44,550 –> 01:04:47,010
خیلی چیزها وجود دارد اگر
1313
01:04:47,010 –> 01:04:48,480
به شما بگویم فقط باید واردات خود را تغییر دهید دروغ خوبی وجود دارد
1314
01:04:48,480 –> 01:04:50,790
اما اینطور نیست تا آنجا که ممکن است تصور
1315
01:04:50,790 –> 01:04:53,670
کنید واقعاً گاهی اوقات ممکن است
1316
01:04:53,670 –> 01:04:55,800
و بسیاری اوقات فقط
1317
01:04:55,800 –> 01:04:58,290
تغییر چند پارامتر چند
1318
01:04:58,290 –> 01:05:01,200
کلمه کلیدی و چیزها فقط کار می کنند یا اینکه
1319
01:05:01,200 –> 01:05:03,720
ما به طور فعال روی آن کار می کنیم و چرا
1320
01:05:03,720 –> 01:05:06,900
اینقدر سریع و سریع تکرار می کنیم.
1321
01:05:06,900 –> 01:05:09,720
راه حل این یک راه حل چند پشته ای
1322
01:05:09,720 –> 01:05:11,040
است من فقط می خواستم
1323
01:05:11,040 –> 01:05:12,660
کمی در مورد آنچه در پشت پرده
1324
01:05:12,660 –> 01:05:14,880
پشت پرده است صحبت کنم آنچه در اینجا دیدید
1325
01:05:14,880 –> 01:05:16,890
کد پایتون بود، Python API که
1326
01:05:16,890 –> 01:05:19,590
بیشتر شبیه پانداها بود. بر روی
1327
01:05:19,590 –> 01:05:22,200
هستههای سبک numbe که GDS را
1328
01:05:22,200 –> 01:05:24,720
برای عملیات فلجکننده کاهش میدهد، اما
1329
01:05:24,720 –> 01:05:26,610
هرگز مجبور نبودید C++
1330
01:05:26,610 –> 01:05:28,290
را لمس کنید.
1331
01:05:28,290 –> 01:05:30,450
1332
01:05:30,450 –> 01:05:33,270
1333
01:05:33,270 –> 01:05:34,800
این بدان معناست که ما
1334
01:05:34,800 –> 01:05:36,960
پیچیدگی های زیادی داریم و
1335
01:05:36,960 –> 01:05:38,670
به همین دلیل تصمیم گرفتیم از
1336
01:05:38,670 –> 01:05:40,590
سیستم Khan dico بر خلاف سایر
1337
01:05:40,590 –> 01:05:43,080
اکوسیستم ها استفاده کنیم.
1338
01:05:43,080 –> 01:05:45,750
1339
01:05:45,750 –> 01:05:48,030
1340
01:05:48,030 –> 01:05:50,880
تمام پشته ای که
1341
01:05:50,880 –> 01:05:53,370
در اینجا در سمت چپ خود می بینید نیز
1342
01:05:53,370 –> 01:05:55,470
بسته های ساده متر مربعی Condor است که به لطف
1343
01:05:55,470 –> 01:05:56,810
امکانات Condor یک
1344
01:05:56,810 –> 01:05:59,510
زیرساخت واحد است و
1345
01:05:59,510 –> 01:06:01,670
همچنین در مورد بقیه اکوسیستم سریع
1346
01:06:01,670 –> 01:06:04,640
که همانطور که قبلاً ذکر کردیم نیز
1347
01:06:04,640 –> 01:06:07,490
همینطور است. بر اساس
1348
01:06:07,490 –> 01:06:10,580
مشخصات فلش Apache و این بدان معناست که ما
1349
01:06:10,580 –> 01:06:11,900
با هر چیزی که
1350
01:06:11,900 –> 01:06:13,970
از آن مشخصات پیروی می کند، به
1351
01:06:13,970 –> 01:06:16,670
خصوص در GPU قابل همکاری هستیم،
1352
01:06:16,670 –> 01:06:18,470
اگر CPU به خوبی وجود نداشته باشد.
1353
01:06:18,470 –> 01:06:20,900
در پایان روز باید داده ها را کپی کنید، اما ایده این
1354
01:06:20,900 –> 01:06:23,540
است که ما بسیار پیچیده هستیم و به سیستم Coe می رسیم
1355
01:06:23,540 –> 01:06:26,000
که ساده شده و
1356
01:06:26,000 –> 01:06:28,340
همانطور که در اینجا وجود دارد ساخته شده است و تا حد امکان معنوی است،
1357
01:06:28,340 –> 01:06:32,120
بنابراین همانطور که گفتم برای خوب EF یک ETL است
1358
01:06:32,120 –> 01:06:34,100
که خود را دارد. بسته EF می تواند با
1359
01:06:34,100 –> 01:06:36,050
C++ چیزهایی باشد که
1360
01:06:36,050 –> 01:06:38,210
تا زمانی که Wakanda
1361
01:06:38,210 –> 01:06:40,610
cout graph و KML نصب شده است هرگز نگران آنها نباشید، ما دقیقاً
1362
01:06:40,610 –> 01:06:43,280
همان کاری را انجام می دهیم که یک برگ میلی لیتر داریم که
1363
01:06:43,280 –> 01:06:46,190
دقیقاً مانند کتابخانه معمولی C++ است که
1364
01:06:46,190 –> 01:06:47,990
در واقع خون خود را دارد. loss API
1365
01:06:47,990 –> 01:06:50,330
برای افرادی که
1366
01:06:50,330 –> 01:06:52,460
پایه کد علمی بی شکل تری را برای آن ارسال کرده اند که در
1367
01:06:52,460 –> 01:06:54,710
حال حاضر به اضافه پلاس است و شما می توانید یا می توانید
1368
01:06:54,710 –> 01:06:58,160
پایه را ببینید و می توانید یک API C++ مصرف کنید، اما
1369
01:06:58,160 –> 01:07:01,100
همچنین ما می توانیم EF خود را بر حسب میلی لیتر داریم و
1370
01:07:01,100 –> 01:07:03,980
API گراف که تقلید scikit-learn است. و
1371
01:07:03,980 –> 01:07:08,150
cougar که در پشته است
1372
01:07:08,150 –> 01:07:10,340
در واقع اندکی با آنچه
1373
01:07:10,340 –> 01:07:12,860
مردم تصور می کنند متفاوت است و من به این موضوع اشاره کردم
1374
01:07:12,860 –> 01:07:14,870
زیرا بخشی از چشم انداز ما است که
1375
01:07:14,870 –> 01:07:16,850
نه تنها سهولت استفاده از
1376
01:07:16,850 –> 01:07:20,240
چرخه را فراهم کنیم بلکه یک API C++ را نیز ارائه
1377
01:07:20,240 –> 01:07:21,860
کنیم که در نهایت شما
1378
01:07:21,860 –> 01:07:23,800
با آن همکاری کنید. برای ساختن الگوریتمهای خود،
1379
01:07:23,800 –> 01:07:26,660
توضیح دهید با استفاده از آنچه قبلاً ساختهایم،
1380
01:07:26,660 –> 01:07:29,180
به عنوان مثال، ما همه الگوریتمهای خود را تجزیه میکنیم
1381
01:07:29,180 –> 01:07:31,850
اسکن DB در skåne و
1382
01:07:31,850 –> 01:07:34,730
به عملیات اصلی آن که به اندازه ضربهای
1383
01:07:34,730 –> 01:07:36,170
ماتریس ابتدایی نیست، کمی
1384
01:07:36,170 –> 01:07:37,460
بالاتر از آن مانند چیزهایی مانند
1385
01:07:37,460 –> 01:07:39,380
انحراف استاندارد وارد شد. توابع آمار
1386
01:07:39,380 –> 01:07:42,290
توابع فاصله است و ما آن ml
1387
01:07:42,290 –> 01:07:43,940
prims های اولیه یادگیری ماشین را نام می گذاریم و
1388
01:07:43,940 –> 01:07:46,190
سپس الگوریتم خود را بر روی آن ساخته شده است
1389
01:07:46,190 –> 01:07:47,930
و همه آن شرکت
1390
01:07:47,930 –> 01:07:49,730
ها منبع باز هستند و افراد می توانند آنها را بگیرند
1391
01:07:49,730 –> 01:07:51,410
و الگوریتم های خود را انجام دهند یا از آنها
1392
01:07:51,410 –> 01:07:53,300
در خود استفاده کنند. الگوریتمها و این
1393
01:07:53,300 –> 01:07:55,850
چشماندازی است که ما به سمت
1394
01:07:55,850 –> 01:07:58,820
چیز دیگری که در راه است فشار میآوریم این است که آن
1395
01:07:58,820 –> 01:08:00,080
چاپهای ml که ذکر میکنم،
1396
01:08:00,080 –> 01:08:01,820
یک API پایتون نیز داریم، بنابراین در برخی مواقع شما
1397
01:08:01,820 –> 01:08:03,440
1398
01:08:03,440 –> 01: