cuGraph-GPU图形分析

cuGraph-GPU图形分析

所述RAPIDS cuGraph库是GPU的集合加速图形算法，在GPU DataFrames中发现过程数据。cuGraph的愿景是使图分析无处不在，以至于用户只是根据分析而不是技术或框架来思考。为了实现这一构想，cuGraph操作时，在Python的层，在GPU上DataFrames，从而允许无缝传递ETL任务之间的数据的cuDF和机器学习任务cuML。熟悉Python的数据科学家将迅速了解cuGraph如何与cuDF的类似Pandas的API集成。同样，熟悉NetworkX的用户将迅速认识cuGraph中提供的类似NetworkX的API，其目标是允许以最小的努力将现有代码移植到RAPIDS中。对于熟悉C ++ / CUDA和图形结构的用户，还提供了C ++ API。但是，C ++层的类型和结构检查较少。

有关更多项目详细信息，请参见Rapids.ai。

注意：有关最新的稳定README.md，确保位于最新的分支上。

进口 书法

＃使用read_csv数据读入一个cuDF数据帧

GDF  =  cudf。read_csv（“ graph_data.csv”，名称= [ “ src”，“ dst” ]，dtype = [ “ int32”，“ int32” ]）

import cugraph

# read data into a cuDF DataFrame using read_csv

gdf = cudf.read_csv("graph_data.csv", names=["src", "dst"], dtype=["int32", "int32"])

# We now have data as edge pairs

# create a Graph using the source (src) and destination (dst) vertex pairs

G = cugraph.Graph()

G.from_cudf_edgelist(gdf, source='src', destination='dst')

# Let's now get the PageRank score of each vertex by calling cugraph.pagerank

df_page = cugraph.pagerank(G)

# Let's look at the PageRank Score (only do this on small graphs)

for i in range(len(df_page)):

print("vertex " + str(df_page['vertex'].iloc[i]) +

" PageRank is " + str(df_page['pagerank'].iloc[i]))

支持的算法

支持图

支持的数据类型

cuGraph支持创建几种数据类型的图形：

• cuDF DataFrame
• Pandas DataFrame

cuGraph支持执行来自不同图形对象的图形算法

• cuGraph图类
• NetworkX图类
• CuPy稀疏矩阵
• SciPy稀疏矩阵

cuGraph尝试根据输入类型匹配返回类型。因此，NetworkX输入将返回与NetworkX相同的数据类型。

cuGraph注意

当前版本的cuGraph有一些限制：

• 顶点ID应该是从0开始的连续整数。

cuGraph提供了重新编号功能来缓解此问题，默认情况下，将数据添加到图形时会自动调用该功能。重编号函数的输入顶点ID可以是任何类型，可以是非连续的，可以是多列，并且可以从任意数字开始。重新编号功能将提供的输入顶点ID映射到从0开始的32位连续整数。cuGraph仍然要求重新编号的顶点ID必须以32位整数表示。这些限制已得到解决，将很快修复。

此外，使用自动重编号功能时，结果中的顶点会自动取消编号。

cuGraph不断更新和改进。如果新版本遇到错误，请参阅《Transition Guide》

图形大小和GPU内存大小

所需的内存量取决于图形结构和执行的分析。根据一条简单的经验法则，GPU内存量应约为数据大小的两倍。这给CSV 数据读取和其它转换功能带来了开销。有很多方法可以使用规则，但是使用较小的数据块。

使用托管内存进行超额预订也可以超出上述内存限制。

获取cuGraph

介绍

有三种获取cuGraph的方法：

l  Quick start with Docker Demo Repo

l  Conda Installation

l  Build from Source

快速开始

参阅Demo Docker Repository，根据运行的NVIDIA CUDA版本选择一个标签。这提供了一个带有示例笔记和数据的可立即运行的Docker容器，展示了如何利用所有RAPIDS库：cuDF，cuML和cuGraph。

Conda

使用conda安装cuGraph很容易。可以使用Miniconda进行最小的conda安装，也可以使用Anaconda进行完整的安装。

使用conda命令安装和更新cuGraph：

# CUDA 10.1

conda install -c nvidia -c rapidsai -c numba -c conda-forge -c defaults cugraph cudatoolkit=10.1

# CUDA 10.2

conda install -c nvidia -c rapidsai -c numba -c conda-forge -c defaults cugraph cudatoolkit=10.2

# CUDA 11.0

conda install -c nvidia -c rapidsai -c numba -c conda-forge -c defaults cugraph cudatoolkit=11.0

注意：此conda安装仅适用于Linux和Python版本3.7 / 3.8。

https://github.com/rapidsai/cugraph