cuGraph-GPU图形分析

cuGraph-GPU图形分析
所述RAPIDS cuGraph库是GPU的集合加速图形算法，在GPU DataFrames中发现过程数据。cuGraph的愿景是使图分析无处不在，以至于用户只是根据分析而不是技术或框架来思考。为了实现这一构想，cuGraph操作时，在Python的层，在GPU上DataFrames，从而允许无缝传递ETL任务之间的数据的cuDF和机器学习任务cuML。熟悉Python的数据科学家将迅速了解cuGraph如何与cuDF的类似Pandas的API集成。同样，熟悉NetworkX的用户将迅速认识cuGraph中提供的类似NetworkX的API，其目标是允许以最小的努力将现有代码移植到RAPIDS中。对于熟悉C ++ / CUDA和图形结构的用户，还提供了C ++ API。但是，C ++层的类型和结构检查较少。
有关更多项目详细信息，请参见Rapids.ai。
注意：有关最新的稳定README.md，确保位于最新的分支上。
进口书法

＃使用read_csv数据读入一个cuDF数据帧
GDF = cudf。read_csv（“ graph_data.csv”，名称= [ “ src”，“ dst” ]，dtype = [ “ int32”，“ int32” ]）

import cugraph

# read data into a cuDF DataFrame using read_csv
gdf = cudf.read_csv(“graph_data.csv”, names=[“src”, “dst”], dtype=[“int32”, “int32”])

# We now have data as edge pairs
# create a Graph using the source (src) and destination (dst) vertex pairs
G = cugraph.Graph()
G.from_cudf_edgelist(gdf, source=‘src’, destination=‘dst’)

# Let’s now get the PageRank score of each vertex by calling cugraph.pagerank
df_page = cugraph.pagerank(G)

# Let’s look at the PageRank Score (only do this on small graphs)
for i in range(len(df_page)):
print("vertex " + str(df_page[‘vertex’].iloc[i]) +
" PageRank is " + str(df_page[‘pagerank’].iloc[i]))
支持的算法

支持图

支持的数据类型
cuGraph支持创建几种数据类型的图形：
• cuDF DataFrame
• Pandas DataFrame
cuGraph支持执行来自不同图形对象的图形算法
• cuGraph图类
• NetworkX图类
• CuPy稀疏矩阵
• SciPy稀疏矩阵
cuGraph尝试根据输入类型匹配返回类型。因此，NetworkX输入将返回与NetworkX相同的数据类型。
cuGraph注意
当前版本的cuGraph有一些限制：
• 顶点ID应该是从0开始的连续整数。
cuGraph提供了重新编号功能来缓解此问题，默认情况下，将数据添加到图形时会自动调用该功能。重编号函数的输入顶点ID可以是任何类型，可以是非连续的，可以是多列，并且可以从任意数字开始。重新编号功能将提供的输入顶点ID映射到从0开始的32位连续整数。cuGraph仍然要求重新编号的顶点ID必须以32位整数表示。这些限制已得到解决，将很快修复。
此外，使用自动重编号功能时，结果中的顶点会自动取消编号。
cuGraph不断更新和改进。如果新版本遇到错误，请参阅《Transition Guide》
图形大小和GPU内存大小
所需的内存量取决于图形结构和执行的分析。根据一条简单的经验法则，GPU内存量应约为数据大小的两倍。这给CSV 数据读取和其它转换功能带来了开销。有很多方法可以使用规则，但是使用较小的数据块。

使用托管内存进行超额预订也可以超出上述内存限制。
获取cuGraph
介绍
有三种获取cuGraph的方法：
 Quick start with Docker Demo Repo
 Conda Installation
 Build from Source
快速开始
参阅Demo Docker Repository，根据运行的NVIDIA CUDA版本选择一个标签。这提供了一个带有示例笔记和数据的可立即运行的Docker容器，展示了如何利用所有RAPIDS库：cuDF，cuML和cuGraph。
Conda
使用conda安装cuGraph很容易。可以使用Miniconda进行最小的conda安装，也可以使用Anaconda进行完整的安装。
使用conda命令安装和更新cuGraph：
# CUDA 10.1
conda install -c nvidia -c rapidsai -c numba -c conda-forge -c defaults cugraph cudatoolkit=10.1

# CUDA 10.2
conda install -c nvidia -c rapidsai -c numba -c conda-forge -c defaults cugraph cudatoolkit=10.2

# CUDA 11.0
conda install -c nvidia -c rapidsai -c numba -c conda-forge -c defaults cugraph cudatoolkit=11.0
注意：此conda安装仅适用于Linux和Python版本3.7 / 3.8。

https://github.com/rapidsai/cugraph

cuGraph-GPU图形分析相关推荐

计算机图形学绘制多边形代码_《GPU编程与CG语言之阳春白雪下里巴人》- 第二章（GPU 图形绘制管线）...
第二章 GPU 图形绘制管线万事开头难,每门科学都是如此. ------ 马克思图形绘制管线描述 GPU 渲染流程,即"给定视点.三维物体.光源.照明模式,和纹理等元素,如何绘制一幅二维 ...
cacti 网络流量监测图形分析工具
Cacti是一套基于PHP,MySQL,SNMP及RRDTool开发的网络流量监测图形分析工具. 安装方法一.安装rrdtool CentOS-5: rpm -ivh http://apt.sw. ...
Hyper-v下安装网络流量监测图形分析工具 Cacti
网络流量监测图形分析工具Cacti,在虚拟机上安装,易于使用,便于移植,在Vmware上安装的已有介绍,这里略过,这里主要介绍在微软虚拟机Hyper-v上的安装过程. 安装前准备: 1.安装虚拟机Hy ...
计算机图形直线分析,基本图形分析法：等腰三角形(一)
原标题:基本图形分析法:等腰三角形(一) 当几何问题中出现了两条具有公共端点且不在一直线上的相等线段时,无论它们是在条件中出现还是在结论中出现,就应萌发应用等腰三角形的基本图形进行证明的意识.然后就应 ...
【Galois系统】用于图形分析的轻量级基础架构
[Galois系统]用于图形分析的轻量级基础架构论文信息概述研究动机方法解决思路实现细节结论该笔记为论文*A Lightweight Infrastructure for Graph ...
图形分析之Nsight的使用
作者:i_dovelemon 日期:2017-06-11 来源:CSDN 主题:Nsight, OpenGL 引言最开始的时候, 我进行图形编程使用的是DX,所以那时候进行图形分析的时候,基本都是使 ...
KAWA-STAR股票图形分析小工具
KAWA-STAR股票图形分析小工具图形分析最关键的问题是,如何将同类型的图形放在一屏上对比,通过对比各分时图,才能更快的发现其中的秘密.同时还要便于记录,便于整理等.KAWA-STAR股票数据回溯 ...
网络流量分析软件 mysql_网络流量监测图形分析工具 Cacti
Cacti是一套基于PHP,MySQL,SNMP及RRDTool开发的网络流量监测图形分析工具. Cacti 在英文中的意思是仙人掌的意思,Cacti是一套基于PHP,MySQL,SNMP及RRDTo ...
GPU 图形绘制管线
GPU vs CPU 由于 GPU 具有高并行结构(highly parallel structure),所以 GPU 在处理图形数据和复杂算法方面拥有比 CPU 更高的效率. 图 1 GPU VS ...

cuGraph-GPU图形分析

cuGraph-GPU图形分析相关推荐

最新文章

热门文章