Il semble que bien que XGB soit compilé pour fonctionner sur GPU, lorsqu'il est appelé/exécuté via Scikit learn API, il ne semble pas être fonctionnant sur GPU.XGB via Scikit learn API ne semble pas fonctionner dans GPU bien que compilé pour fonctionner pour GPU
S'il vous plaît indiquer si ce comportement est normal
Pour autant que je peux dire, l'API Scikit apprendre ne supporte pas GPU. Vous devez utiliser l'API d'apprentissage (par exemple xgboost.train (...)). Cela vous oblige également à d'abord convertir vos données en xgboost DMatrix.
Exemple:
params = {"updater":"grow_gpu"}
train = xgboost.DMatrix(x_train, label=y_train)
clf = xgboost.train(params, train, num_boost_round=10)
MISE À JOUR:
L'API prend en charge Scikit En savoir maintenant GPU via le ** argument kwargs: http://xgboost.readthedocs.io/en/latest/python/python_api.html#id1
je ne pouvais pas obtenir ce travail du pip installé XGBoost, mais j'ai extrait le dernier XGBoost de GitHub (git clone --recursive https://github.com/dmlc/xgboost) et l'ai compilé avec le drapeau PLUGIN_UPDATER_GPU qui m'a permis d'utiliser le GPU avec l'API sklearn. Cela m'a obligé à changer également certains indicateurs NVCC pour travailler sur ma GTX960 qui causait des erreurs de construction, puis des erreurs d'exécution dues à une incompatibilité d'architecture. Après avoir construit, j'ai installé avec pip install -e python-package/ dans le répertoire repo. Pour utiliser le Scikit apprendre API (en utilisant grow_gpu ou grow_hist_gpu):
import xgboost as xgb
model = xgb.XGBClassifier(
max_depth=5,
objective='binary:logistic',
**{"updater": "grow_gpu"}
)
model.fit(train_x, train_y)
Si quelqu'un est intéressé par le processus de fixer la construction avec le drapeau du GPU, voici le processus que je suis passé par sur Ubuntu 14.04.
i) clone git clone git --recursive https://github.com/dmlc/xgboost
ii) cd Insto xgboost et make -j4 pour créer multi-thread, si aucun GPU est souhaitée
iii) de faire GPU, modifier faire/config .MK utiliser PLUGIN_UPDATER_GPU
iv) Modifier l'Makefile makefile, sur la section FPUNV d'utiliser le drapeau --gpu-architecture=sm_xx pour la version GPU (5,2 pour GTX 960) sur la ligne 101
#CODE = $(foreach ver,$(COMPUTE),-gencode arch=compute_$(ver),code=sm_$(ver)) TO
CODE = --gpu-architecture=sm_52
v) Exécutez le ./build.sh, il doit indiquer terminé en mode multi-thread ou FPUNV build a probablement échoué (ou une autre erreur, regardez ci-dessus pour l'erreur)
vi) Dans le virtualenv (si désiré) dans le même répertoire run pip install -e python-package/
ce sont des choses qui ont causé quelques erreurs de FPUNV pour moi:
i) Installation/mise à jour la boîte à outils Cuda en téléchargeant la boîte à outils cuda .deb de Nvidia (version 8.0 a fonctionné pour moi, et il est nécessaire dans certains cas?).
ii) Installation/mise à jour cuda
sudo apt-get update
sudo apt-get install cuda
iii) Ajouter nvcc à votre chemin.Iv) Un redémarrage peut être nécessaire si l'exécution de nvidia-smi ne fonctionne pas en raison de certaines mises à jour de cuda/driver/toolkit.