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

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多