啦啦啦www在线观看免费观看,亚洲视频无码在线不卡观看

NVIDIA GTC21 有大量精彩且引人入勝的內(nèi)容，特別是在 RAPIDS 附近，因此很容易錯過我們的首次演示“ 使用 RAPIDS 加速 Node. js JavaScript 以實現(xiàn)可視化和更高的速度。 ”是的–我們正在通過 Node.js 項目將 GPU 加速數(shù)據(jù)科學的力量帶到 JavaScript Node.js 社區(qū)。

Node- RAPIDS 是 Node.js 中模塊化 RAPIDS 庫綁定的開源技術(shù)預(yù)覽，以及支持基于瀏覽器的高性能可視化的補充方法。

web viz 有什么問題？

大約十年前是圍繞基于 web 的數(shù)據(jù)可視化的迷你復(fù)興，它展示了 D3 等高度交互、易于共享和使用的工具的好處。雖然性能不如 C / C ++或 Python 框架，但由于 JavaScript 的可訪問性，它們的受歡迎程度開始上升。毫不奇怪，它通常被列為最流行的開發(fā)人員語言，排在 Python 或 Java 之前，現(xiàn)在有了完整的可視化和數(shù)據(jù)工具目錄。

然而，這個龐大的 JavaScript 開發(fā)社區(qū)由于缺乏首選語言中的一流加速數(shù)據(jù)工具而受到阻礙。當分析與數(shù)據(jù)源、科學和可視化盡可能接近時，分析是最有效的。要使用 JavaScript 完全訪問 GPU 硬件（超越 webGL 限制和黑客），需要精通多種語言來設(shè)置復(fù)雜的中間件管道或使用 Plotly Dash 等非 js 框架。因此，數(shù)據(jù)工程師、數(shù)據(jù)科學家、可視化專家和前端開發(fā)人員往往被孤立起來，甚至在組織內(nèi)部也是如此。這是有害的，因為數(shù)據(jù)可視化是這些群體之間交流的理想媒介。

至于 RAPIDS Viz 團隊自從我們第一次證明概念，我們希望構(gòu)建能夠通過瀏覽器與數(shù)億個數(shù)據(jù)點實時無縫交互的工具——我們終于找到了一種方法。

為什么選擇 Node 。 js

如果您不熟悉 Node.js ，它是一個基于 C / C ++的開源跨平臺運行時環(huán)境，在 web 瀏覽器之外執(zhí)行 JavaScript 代碼。超過 100 萬 Node. js 下載量 per day 。節(jié)點包管理器（ NPM ）是默認的 JavaScript 包管理器，微軟擁有它。 Node.js 用于 eBay 、 AliExpress 等在線市場的后端，并被 Netflix 、 PayPal 和 Groupon 等高流量網(wǎng)站使用。顯然，這是一個強大的框架。

圖 1 ： XKCD Node 。 js 是一個通用連接器。

Node. js 是一個連接器，它為我們提供了直接訪問硬件的 JavaScript ，從而簡化了 API 并能夠使用 NVIDIA CUDA.

. 通過創(chuàng)建節(jié)點 – RAPIDS 綁定，我們使一個龐大的開發(fā)人員社區(qū)能夠使用 GPU 加速，而無需學習新語言或在新環(huán)境中工作。我們還為同一社區(qū)提供高性能數(shù)據(jù)科學平臺： RAPIDS ！

下面是一個基于我們的基本筆記本的節(jié)點 – RAPIDS 的片段，它顯示了一個小型正則表達式示例的 6x 加速：

	// Using https://github.com/rapidsai/node-rapids/

	const cudf = require('@rapidsai/cudf');

	const regexps = [
	/Cloud\|Overcast/,
	/Rain\|T-Storm\|Thunderstorm\|Squalls\|Drizzle/,
	/Snow/,
	/Fog/,
	/Ice\|Hail\|Freezing\|Sleet/,
	/Dust\|Smoke\|Sand/,
	];
	?
	console.log('');
	?
	const weather_condition_gpu = cudf.DataFrame.readCSV({
	header: 0,
	sourceType: 'files',
	sources: [`${__dirname}/US_Accidents_Dec20.csv`],
	dataTypes: {
	id: 'str', source: 'str', tmc: 'float64', severity: 'int32', start_time: 'str', end_time: 'str',
	start_lat: 'float64', start_lng: 'float64', end_lat: 'float64', end_lng: 'float64',
	distance: 'float64', description: 'str', number: 'int32', street: 'str', side: 'str',
	city: 'str', county: 'str', state: 'str', zipcode: 'str', country: 'str', timezone: 'str', airport_code: 'str',
	weather_timestamp: 'str', temperature: 'float64', wind_chill: 'float64', humidity: 'float64', pressure: 'float64',
	visibility: 'float64', wind_direction: 'str', wind_speed: 'float64', precipitation: 'float64', weather_condition: 'str',
	amenity: 'bool', bump: 'bool', crossing: 'bool', give_way: 'bool', junction: 'bool', no_exit: 'bool', railway: 'bool',
	roundabout: 'bool', station: 'bool', stop: 'bool', traffic_calming: 'bool', traffic_signal: 'bool', turning_loop: 'bool',
	sunrise_sunset: 'str', civil_twilight: 'str', nautical_twighlight: 'str', astronomical_twighlight: 'str'
	},
	}).get('weather_condition');
	?
	console.time(`GPU time`);
	?
	regexps.forEach((regexp) => {
	console.time(`${regexp.source} time`);
	const matches = weather_condition_gpu.containsRe(regexp.source).sum();
	console.timeEnd(`${regexp.source} time`);
	console.log(`${regexp.source} matches: ${matches.toLocaleString()}`);
	});
	?
	console.timeEnd(`GPU time`);
	?
	console.log('');
	?
	const weather_condition_cpu = (() => {
	const categorical = weather_condition_gpu.cast(new cudf.Categorical(new cudf.Utf8String));
	const categories = [...categorical.categories];
	const codes = [...categorical.codes];
	return codes.map((i) => categories[i]);
	})();
	?
	console.time(`CPU time`);
	?
	regexps.forEach((regexp) => {
	console.time(`${regexp.source} time`);
	const matches = weather_condition_cpu.reduce((matches, weather_condition) => {
	return matches + (regexp.exec(weather_condition) \|\| []).length;
	}, 0);
	console.timeEnd(`${regexp.source} time`);
	console.log(`${regexp.source} matches: ${matches.toLocaleString()}`);
	});
	?
	console.timeEnd(`CPU time`);
	?
	console.log('');

	/* OUTPUT:
	---------------------------
	// 1.6GB .CSV
	// GPU: Titan RTX

	Cloud\|Overcast time: 26.819ms
	Cloud\|Overcast matches: 1,896,354
	Rain\|T-Storm\|Thunderstorm\|Squalls\|Drizzle time: 63.813ms
	Rain\|T-Storm\|Thunderstorm\|Squalls\|Drizzle matches: 326,441
	Snow time: 6.396ms
	Snow matches: 68,101
	Fog time: 6.997ms
	Fog matches: 52,063
	Ice\|Hail\|Freezing\|Sleet time: 44.031ms
	Ice\|Hail\|Freezing\|Sleet matches: 4,698
	Dust\|Smoke\|Sand time: 29.932ms
	Dust\|Smoke\|Sand matches: 8,846
	GPU time: 190.457ms


	// CPU: AMD Ryzen Threadripper 1900X 8-Core (3.8GHZ)
	Cloud\|Overcast time: 244.493ms
	Cloud\|Overcast matches: 1,896,354
	Rain\|T-Storm\|Thunderstorm\|Squalls\|Drizzle time: 192.591ms
	Rain\|T-Storm\|Thunderstorm\|Squalls\|Drizzle matches: 326,441
	Snow time: 206.071ms
	Snow matches: 68,101
	Fog time: 204.61ms
	Fog matches: 52,063
	Ice\|Hail\|Freezing\|Sleet time: 214.325ms
	Ice\|Hail\|Freezing\|Sleet matches: 4,698
	Dust\|Smoke\|Sand time: 164.633ms
	Dust\|Smoke\|Sand matches: 8,846
	CPU time: 1.230s

	---------------------------
	// GPU is 6.45x faster than CPU
	*/

節(jié)點 – RAPIDS ：計為構(gòu)建塊

圖 2 ： Node- RAPIDS 模塊概述。

與節(jié)點項目類似，節(jié)點 – RAPIDS 設(shè)計為模塊化。我們的目標不是構(gòu)建交鑰匙 web 應(yīng)用程序，而是創(chuàng)建一個功能清單，以支持或加速各種各樣的用例和管道。前面是當前和計劃節(jié)點的概述 – RAPIDS 模塊按一般類別分組。節(jié)點 – RAPIDS 應(yīng)用程序可以根據(jù)需要使用任意數(shù)量的模塊。

為了減少起步的困難，我們還構(gòu)建了一個演示目錄，它可以作為通用應(yīng)用程序的模板。隨著我們開發(fā)更多綁定，我們將創(chuàng)建更多演示來展示它們的功能。

圖 3 ：交叉過濾器應(yīng)用程序的示例。

前面是使用 RAPIDS cuDF 和 RAPIDS cuSpatial 庫的地理空間交叉過濾儀表板應(yīng)用程序的理想堆棧。我們有一個使用 Deck.gl 的簡單演示，您可以使用我們的 video 進行預(yù)覽，并在 Github 上探索演示代碼。

圖 4 ：流式 ETL 流程的示例。

前面的最后一個示例是一個僅服務(wù)器端的 ETL 管道，沒有任何可視化。我們有一個使用 cuDF 綁定和互動筆記本桌面應(yīng)用程序的簡單 ETL 流程示例，您可以在 Notebook 上使用 video 進行預(yù)覽，并使用（獲?。┙换?。

下一步是什么？

雖然我們考慮這個項目已經(jīng)有一段時間了，但我們才剛剛開始開發(fā)。 RAPIDS 是一個令人難以置信的框架，我們希望將它帶給更多的人和更多的應(yīng)用程序— RAPIDS 正如我們所說的那樣。

近期下一步：

接下來的一些短期步驟是繼續(xù)構(gòu)建核心 RAPIDS 綁定特性，您可以在我們的當前綁定覆蓋率表上查看這些特性。

如果直接從您的 web 應(yīng)用程序中使用 GPU 加速 SQL 查詢的想法聽起來很有趣（對我們來說的確如此），那么我們也希望盡快開始使用一些 blazingSQL 綁定。

最值得注意的是，我們計劃開始創(chuàng)建和發(fā)布模塊化 docker 容器，這將大大簡化當前的源代碼技術(shù)預(yù)覽安裝過程。

關(guān)于作者

Allan Enemark ，數(shù)據(jù)可視化設(shè)計， NVIDIA RAPIDS 數(shù)據(jù)可視化團隊負責人，致力于建立概念證明，開發(fā)工具，并與 RAPIDS 集成框架，通過 GPU 加速推進可視化分析領(lǐng)域。

Ajay Thorve 是 NVIDIA 的軟件工程師， RAPIDS 組織的可視化團隊的一部分。 Ajay 的背景是全棧開發(fā)和數(shù)據(jù)科學，主要興趣包括 JavaScript / TypeScript 和 Python 。目前， Ajay 在 RAPIDS viz 團隊的工作主要集中在為 cuXfilter 和 node- RAPIDS 項目做出貢獻。

Bryan Van de Ven 是 NVIDIA 的高級系統(tǒng)軟件工程師，負責 RAPIDS 的前端和可視化工具。此前，他曾在微軟和 Anaconda 工作，在那里他創(chuàng)建了 conda 軟件包管理器，并共同創(chuàng)建了 Bokeh 可視化庫。布萊恩獲得了 UT 奧斯汀大學的計算機科學和數(shù)學學士學位，以及加州大學洛杉磯分校的物理學碩士學位。

Paul Taylor 是 NVIDIA RAPIDS 的高級工程師。

審核編輯：郭婷

聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請聯(lián)系本站處理。舉報投訴