Последняя проверка: июнь 2026 г.
Сжатый справочник архитектурных шаблонов, проверяемых на экзамене NCA-ADS. Читайте сверху вниз или переходите к нужному разделу.
Существующий конвейер pandas для CSV-файла размером 40 ГБ слишком медленно работает на CPU.
Замените pandas на cuDF; большинство вызовов read/filter/groupby/join сохраняют тот же API и выполняются на GPU.
Почему: cuDF по замыслу повторяет API pandas, поэтому миграция в основном сводится к изменению импорта, а не к переписыванию кода.
Команда хочет ускорения на GPU без изменения существующего кода pandas.
Загрузите ускоритель cudf.pandas (%load_ext cudf.pandas или python -m cudf.pandas); он выполняет операции на GPU и автоматически переключается на CPU.
Почему: Ускорение без изменения кода с прозрачным переключением на CPU обеспечивает работу неподдерживаемых операций.
Требуется самая быстрая загрузка большого аналитического набора данных в столбцовом формате на GPU.
Сохраните в формате Parquet и прочитайте с помощью cudf.read_parquet; обрезка столбцов и предикатная фильтрация минимизируют передачу данных на устройство.
Почему: Столбцовый Parquet хорошо сопоставляется с cuDF на основе Arrow и читается намного быстрее, чем построчный CSV.
cuDF работает медленнее, чем pandas, для файла размером 50 МБ.
Храните небольшие данные на CPU; накладные расходы на передачу данных между хостом и устройством и запуск ядер доминируют для объемов менее ~1–2 ГБ.
Почему: Ускорение GPU окупается в масштабе; для крошечных данных стоимость копирования превышает выигрыш в вычислениях.
Агрегировать миллиарды строк по ключу с использованием нескольких статистик.
Используйте df.groupby(key).agg({...}) в cuDF; агрегации выполняются как параллельные ядра GPU.
Очистить и нормализовать текстовый столбец с высокой кардинальностью в масштабе GPU.
Используйте аксессор .str в cuDF's (lower, strip, replace, contains, split); строковые операции ускоряются на GPU через libcudf.
Почему: cuDF имеет выделенный строковый уровень GPU, поэтому очистка текста не требует возврата к CPU.
Объединить два больших DataFrame на устройстве по общему ключу.
Используйте cudf.merge / df.merge с ключом объединения; хеш-объединения выполняются на GPU.
Почему: Оба фрейма должны уже находиться на устройстве, чтобы избежать кругового обращения; смешивание pandas и cuDF приводит к копированию на хост.
Набор данных содержит пропущенные значения, которые нарушают последующее обучение cuML.
Используйте cuDF fillna/dropna и явные приведения типов данных перед обучением; cuML ожидает чистые числовые массивы на устройстве.
Смешанные типы данных/типы object вызывают ошибки или раздувание памяти в cuDF.
Рано приводите к компактным числовым или категориальным типам данных (int32/float32, category), чтобы уменьшить использование памяти GPU.
Почему: Преобразование к меньшему типу снижает нагрузку на память устройства, что является самым частым узким местом на одном GPU.
Требуется кодирование меток/one-hot кодирование для категориальных признаков перед обучением.
Используйте категориальный тип данных cuDF с .cat.codes или препроцессорные кодировщики cuML, чтобы сохранить данные на устройстве.
Требуются математические операции с сырыми числовыми массивами, не предоставляемые API cuDF DataFrame.
Преобразуйте через df.values или to_cupy() и работайте с CuPy (массивами GPU, совместимыми с NumPy), затем верните результаты.
Почему: cuDF и CuPy совместно используют память устройства через __cuda_array_interface__, поэтому преобразование выполняется без копирования.
Перенести сценарий обучения scikit-learn на GPU.
Используйте оценщики cuML (LinearRegression, LogisticRegression, KMeans, RandomForest); fit/predict повторяют API sklearn.
Почему: cuML ориентирован на совместимость с API sklearn, поэтому обычно достаточно заменить импорт.
Градиентный бустинг деревьев на большом табличном наборе данных, обучение слишком медленное на CPU.
Обучайте XGBoost с device="cuda" (tree_method="hist"); он напрямую использует данные cuDF/CuPy.
Почему: Встроенный метод гистограмм XGBoost на GPU значительно ускоряет работу и тесно интегрируется с RAPIDS.
Быстро кластеризовать миллионы точек для сегментации.
Используйте cuML KMeans (или DBSCAN для кластеризации на основе плотности); оба полностью работают на GPU.
Уменьшить размерность многомерных данных до 2D для визуализации в масштабе.
Используйте cuML UMAP или t-SNE; реализации на GPU обрабатывают наборы данных, которые непрактичны на CPU.
Почему: UMAP/t-SNE требуют больших вычислений; версии для GPU делают возможными интерактивные встраивания в масштабе.
Требуется точный ансамблевый классификатор с важностью признаков.
Используйте cuML RandomForestClassifier; обучайте на массивах устройства и экспортируйте в FIL для быстрого вывода.
Развернуть древовидную модель для высокопроизводительной пакетной оценки.
Загрузите модель в библиотеку Forest Inference Library (FIL) для выполнения прогнозов, ускоренных на GPU, на больших пакетах.
Почему: FIL ускоряет вывод для XGBoost/LightGBM/cuML forests значительно больше, чем оценка каждого дерева на CPU.
Необходимый вам алгоритм не имеет реализации cuML на GPU.
Проверьте покрытие в документации cuML; если отсутствует, оставьте этот шаг на scikit-learn и ускорьте остальное.
Почему: Не каждый оценщик поддерживается GPU — знайте поддерживаемый набор, а не предполагайте полную эквивалентность.
Избегать неявных копирований на хост во время обучения cuML.
Передавайте данные устройства cuDF/CuPy напрямую в fit(); смешивание NumPy/pandas вызывает передачу данных с хоста на устройство.
Набор данных превышает объем памяти одного GPU's.
Используйте dask-cuDF для разделения данных между несколькими GPU/узлами и параллельной обработки разделов.
Почему: Dask обрабатывает распределение данных за пределами оперативной памяти и на нескольких GPU, что один кадр cuDF не может.
Хочу использовать все GPU на одном компьютере с несколькими GPU.
Запустите LocalCUDACluster из dask-cuda и подключите Client; один worker привязывается к каждому GPU.
Почему: LocalCUDACluster привязывает каждого worker Dask к отдельному GPU, чтобы планировщик мог сбалансировать нагрузку.
Создание многошагового конвейера Dask, который слишком часто пересчитывается.
Составляйте лениво и вызывайте .compute() один раз в конце; используйте persist() для кэширования повторно используемых промежуточных данных в памяти GPU.
Почему: Dask ленив — слишком ранний или многократный вызов compute приводит к повторному выполнению работы.
Искаженные разделы приводят к отставанию некоторых GPU worker-ов.
Перераспределите до сбалансированных размеров и выровняйте ключи разделов с последующими объединениями/группировками.
Почему: Неравномерные разделы создают отстающих, которые замедляют всю работу.
Полностью сохранить рабочий процесс ETL → train → score на GPU.
Свяжите подготовку cuDF с cuML/XGBoost без преобразования в pandas между шагами, сохраняя данные на устройстве.
Почему: Каждый круговой обмен с CPU добавляет стоимость передачи; пребывание на устройстве сохраняет ускорение от начала до конца.
Требуется рабочий процесс, который повторно выполняется идентично для проверки.
Закрепите версии RAPIDS/CUDA, установите случайные начальные значения и параметризуйте входные данные, чтобы конвейер был детерминированным и повторно исполняемым.
Вычислить сводную статистику для таблицы из миллиарда строк.
Используйте cuDF describe/mean/std/quantile и corr; агрегации выполняются как ядра GPU.
Диаграмма рассеяния из 100 миллионов точек накладывается друг на друга и нечитаема.
Визуализируйте с помощью Datashader, который растрирует точки на GPU в изображение плотности вместо рисования каждого маркера.
Почему: Datashader агрегирует в пиксели, поэтому стоимость построения графика ограничена размером изображения, а не количеством точек.
Требуется интерактивная панель мониторинга с перекрестной фильтрацией для огромного GPU DataFrame.
Используйте cuxfilter для связывания диаграмм с ускоренной на GPU перекрестной фильтрацией данных cuDF.
Почему: cuxfilter сохраняет данные на устройстве, поэтому выделение/фильтрация остаются интерактивными в масштабе.
Визуализировать распределение большого числового столбца.
Разбейте на интервалы с помощью cuDF/CuPy на GPU, затем постройте график небольшого агрегированного результата с помощью Plotly или Matplotlib.
Почему: Сначала агрегируйте на GPU; только крошечная сводка должна достичь библиотеки для построения графиков.
Оценить взаимосвязи признаков перед моделированием.
Вычислите df.corr() в cuDF на GPU, затем визуализируйте небольшую матрицу в виде тепловой карты.
Хочу декларативные интерактивные диаграммы, основанные на данных GPU.
Совместите HoloViews/hvPlot с Datashader и cuDF для интерактивной визуализации больших объемов данных.
Обосновать ускорение GPU для рабочей нагрузки данных.
Используйте GPU для операций с массовым параллелизмом данных, ограниченных пропускной способностью, на больших наборах данных; сохраняйте небольшие, ветвящиеся или чувствительные к задержкам задачи на CPU.
Почему: GPU выигрывают в параллелизме SIMT по многим элементам; они проигрывают в небольших или сильно управляемых задачах.
Объяснить, как RAPIDS обменивается данными между cuDF, CuPy и ML-библиотеками без копирования.
RAPIDS построен на столбцовом формате памяти Apache Arrow, что обеспечивает обмен данными между библиотеками GPU без копирования.
Почему: Общий столбцовый макет на устройстве позволяет компонентам передавать данные без сериализации.
Конвейер ускорен с помощью GPU, но едва быстрее.
Профилируйте перемещение данных; повторяющиеся копирования хост↔устройство часто доминируют. Сохраняйте данные на GPU между шагами.
Почему: Передача по PCIe — это скрытый налог — минимизация копий обычно является самым большим выигрышем.
Понять, что выполняет работу на GPU.
CUDA запускает ядра по тысячам потоков, сгруппированных в блоки/сетки в соответствии с моделью SIMT; библиотеки RAPIDS оборачивают их, поэтому вы редко пишете ядра самостоятельно.
Рабочая нагрузка завершается ошибкой нехватки памяти на одном GPU.
Уменьшите размеры типов данных, обрабатывайте по частям или масштабируйте с помощью Dask; VRAM GPU намного меньше, чем RAM хоста.
Почему: Память устройства — это первое ограничение в науке о данных на GPU — проектируйте с учетом этого.
Сопоставить задачу науки о данных на CPU с соответствующей библиотекой RAPIDS.
cuDF для DataFrame, cuML для ML, cuGraph для графов, cuSpatial для геопространственных данных, Dask для масштабирования.
Необходимо сравнить множество обучающих прогонов и их метрики.
Записывайте параметры, метрики и артефакты в MLflow Tracking; запрашивайте и сравнивайте прогоны из пользовательского интерфейса.
Почему: Централизованное отслеживание экспериментов делает результаты воспроизводимыми и сопоставимыми между прогонами.
Хочу живые панели мониторинга и общие для команды журналы экспериментов.
Используйте Weights & Biases (wandb.init/log) для потоковой передачи метрик и обмена визуальными панелями мониторинга экспериментов.
Отслеживать, какая обученная модель находится на стадии стейджинга, а какая — в продакшене.
Регистрируйте версии в MLflow Model Registry и продвигайте их по стадиям с метаданными.
Почему: Реестр предоставляет единый источник истины для происхождения и продвижения моделей.
Модель не может быть воспроизведена спустя месяцы.
Совместно версионируйте данные, код, среду и начальные значения; записывайте полную конфигурацию с каждым прогоном.
Почему: Воспроизводимость требует захвата всех четырех — одного кода недостаточно.
Перевести обученную модель в состояние готовности к обслуживанию.
Упакуйте модель и зависимости (например, образ контейнера), затем предоставьте пакетный или REST-вывод; используйте FIL для быстрой оценки деревьев на GPU.
Ранжировать узлы по влиянию в большом графе.
Постройте граф cuGraph из списка рёбер и запустите cugraph.pagerank на GPU.
Почему: cuGraph выполняет PageRank, BFS и расчет центральности на графах, слишком больших для библиотек CPU.
Найти кластеры/сообщества в сетевом наборе данных.
Используйте cuGraph connected-components или Louvain; импортируйте рёбра из cuDF DataFrame.
Данные являются многомерными и в основном состоят из нулей.
Используйте разреженные форматы GPU (CSR/COO через CuPy sparse) вместо плотных массивов для экономии памяти и ускорения вычислений.
Почему: Разреженное хранение позволяет избежать расходования VRAM и ядер на нулевые записи.
Настроить рабочую среду RAPIDS.
Установите через conda, pip или Docker, используя RAPIDS Release Selector, чтобы сопоставить ваши версии CUDA/Python.
Почему: Селектор закрепляет совместимые сборки пакетов, что является наиболее частой причиной сбоев установки.
Импорт RAPIDS завершается ошибкой или не видит GPU после установки.
Убедитесь, что версии драйвера NVIDIA и CUDA toolkit соответствуют требованиям сборки RAPIDS; запустите nvidia-smi для подтверждения наличия GPU.
Почему: Несоответствие драйвера/CUDA является основной причиной ошибок "no CUDA device".
Хочу воспроизводимую, предварительно настроенную среду RAPIDS.
Получите контейнер RAPIDS из NVIDIA NGC; он поставляется с согласованными CUDA, драйверами и библиотеками.
Почему: Образы NGC устраняют догадки по сопоставлению версий и стандартизируют среду на разных машинах.