NVTabular

NVTabular

GPU加速的大规模表格数据特征工程库

NVTabular是NVIDIA Merlin框架的组件,用于处理TB级数据集和训练深度学习推荐系统。该库利用GPU加速计算,提供高级抽象以简化代码。它可处理超出内存限制的大规模数据集,使数据科学家专注于数据操作,快速准备实验数据,并加速生产模型的数据转换过程。

NVTabularGPU加速特征工程数据预处理推荐系统Github开源项目

NVTabular

PyPI LICENSE Documentation

NVTabular是一个专为表格数据设计的特征工程和预处理库,旨在轻松处理TB级数据集并训练基于深度学习的推荐系统。它提供了高级抽象以简化代码,并使用RAPIDS Dask-cuDF库在GPU上加速计算。

NVTabular是NVIDIA Merlin的一个组件,这是一个用于构建和部署推荐系统的开源框架,与其他Merlin组件(包括Merlin ModelsHugeCTRMerlin Systems)协同工作,在GPU上提供端到端的推荐系统加速。借助NVIDIA的Triton推理服务器,训练期间对数据执行的特征工程和预处理步骤可以在推理过程中自动应用于传入的数据。

优势

在训练深度学习推荐系统时,数据科学家和机器学习工程师面临以下挑战:

  • 海量数据集:商业推荐系统通常需要在数TB规模的巨大数据集上进行训练。
  • 复杂的数据特征工程和预处理流程:数据集需要经过预处理和转换才能用于深度学习模型和框架。此外,特征工程会从现有特征创建大量新特征,需要多次迭代才能得到最佳解决方案。
  • 输入瓶颈:如果数据加载未经过良好优化,可能成为训练过程中最慢的环节,导致GPU等高吞吐量计算设备利用率不足。
  • 大量重复实验:整个数据工程、训练和评估过程可能重复且耗时,需要大量计算资源。

NVTabular缓解了这些挑战,帮助数据科学家和机器学习工程师:

  • 处理超出GPU和CPU内存的数据集,无需担心规模问题。
  • 通过操作级别的抽象,专注于如何处理数据,而不是如何实现。
  • 快速轻松地准备数据集进行实验,以便训练更多模型。
  • 通过提供更快的数据集转换,部署模型到生产环境。

在NVTabular的核心功能文档中了解更多信息。

性能

在单个V100 32GB GPU上运行NVTabular处理Criteo 1TB点击日志数据集时,特征工程和预处理能在13分钟内完成。此外,在配备八个V100 GPU的DGX-1集群上运行NVTabular时,特征工程和预处理能在3分钟内完成。结合HugeCTR,可以在仅6分钟内处理数据集并完成完整模型训练。

Criteo DRLM工作流的性能也展示了NVTabular库的有效性。原始的Numpy ETL脚本需要超过5天才能完成。加上CPU训练,总迭代时间超过一周。通过在Spark中优化ETL代码并在DGX-1等效集群上运行,特征工程和预处理的完成时间缩短至3小时。同时,训练在1小时内完成。

安装

NVTabular需要Python 3.7+版本。此外,GPU支持要求:

  • CUDA 11.0+版本
  • NVIDIA Pascal或更新的GPU(计算能力>=6.0)
  • NVIDIA驱动450.80.02+
  • Linux或WSL

使用Conda安装NVTabular

可以通过Anaconda从nvidia通道安装NVTabular,运行以下命令:

conda install -c nvidia -c rapidsai -c numba -c conda-forge nvtabular python=3.7 cudatoolkit=11.2

使用Pip安装NVTabular

可以通过pip安装NVTabular,运行以下命令:

pip install nvtabular

使用Pip安装NVTabular会导致NVTabular仅在CPU上运行,并可能需要手动安装额外的依赖项。 当您在我们的Docker容器中运行NVTabular时,依赖项已预先安装。

使用Docker安装NVTabular

NVTabular Docker容器可在NVIDIA Merlin容器仓库获取。 下表总结了容器的关键信息:

容器名称容器位置功能
merlin-hugectrhttps://catalog.ngc.nvidia.com/orgs/nvidia/teams/merlin/containers/merlin-hugectrNVTabular、HugeCTR和Triton推理
merlin-tensorflowhttps://catalog.ngc.nvidia.com/orgs/nvidia/teams/merlin/containers/merlin-tensorflowNVTabular、Tensorflow和Triton推理
merlin-pytorchhttps://catalog.ngc.nvidia.com/orgs/nvidia/teams/merlin/containers/merlin-pytorchNVTabular、PyTorch和Triton推理

要使用这些Docker容器,您首先需要安装NVIDIA Container Toolkit以为Docker提供GPU支持。您可以使用上表中引用的NGC链接获取有关如何启动和运行这些容器的更多信息。要获取有关NVTabular每个容器支持的软件和模型版本的更多信息,请参阅支持矩阵

笔记本示例和教程

我们提供了一系列示例集合,以Jupyter笔记本的形式展示NVTabular的特征工程:

  • NVTabular高级API简介
  • NVTabular的高级工作流
  • CPU上的NVTabular
  • 将NVTabular扩展到多GPU系统

此外,NVTabular在其他Merlin库的许多示例中也有使用:

反馈和支持

如果您想直接为库贡献代码,请参阅Contributing.md。我们特别欢迎对特征工程和预处理操作的贡献或功能请求。为了进一步推进我们的Merlin路线图,我们鼓励您在这个调查中分享有关您的推荐系统管道的所有详细信息。

如果您想了解更多关于NVTabular的工作原理,请参阅我们的NVTabular文档。我们还提供了API文档,概述了库中可用调用的具体细节。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多