标签: rapids

我使用 cuGraph 来计算图的最短路径，但它不是返回到特定顶点的最短路径，而是创建一个距离顶点前驱表：

        distance    vertex  predecessor
3935    0.000000    0       -1
3372    0.063761    1       173
3136    0.059330    2       236
395     0.096309    3       131
3780    0.078157    4       222
... ... ... ...
3886    0.157694    4886    4817
3062    0.226340    4887    4871
3895    0.171506    4888    4816
3057    0.165199    4889    4842
3898    0.213998    4890    4888

如何使用该图获取到特定顶点的路径？

我知道我可以循环遍历它直到到达顶点 0，但这听起来效率不高。有没有办法使用矢量化来保持高效？

我想知道是否可以在Google Colaboratory笔记本中安装RAPIDS库（完全在GPU上执行机器学习任务）？

我已经做过一些研究，但是我找不到解决方法...

我需要帮助。我正在使用带有 Python 3.10.11 的 Google Colab，并且我有一个带有 CUDA 版本： 12.0 、Nvidia 驱动程序版本 525.85.12 的 Colab，并且我正在按照本教程了解如何安装 cuDF https://colab.research.google.com/驱动器/1TAAi_szMfWqRfHVfjGSqnGVLr_ztzUM9#scrollTo=G_2dancFhf70

我检查了
nvidia-smi

我被分配了 Tesla T4

在台阶上
!python rapidsai-csp-utils/colab/install_rapids.py stable
import os
os.environ\['NUMBAPRO_NVVM'\] = '/usr/local/cuda/nvvm/lib64/libnvvm.so'
os.environ\['NUMBAPRO_LIBDEVICE'\] = '/usr/local/cuda/nvvm/libdevice/'
os.environ\['CONDA_PREFIX'\] = '/usr/local'
!pip uninstall cupy -y

我收到以下警告：
WARNING conda.core.solve:\_add_specs(639): pinned spec python=3.10 conflicts with explicit specs. Overriding pinned spec.
WARNING conda.core.solve:\_add_specs(639): pinned spec cudatoolkit=11.8 conflicts with explicit specs. Overriding pinned spec.

SpecsConfigurationConflictError: Requested specs conflict with configured specs.
requested specs:
- cudatoolkit=11.2
- dask-sql
- gcsfs …

我知道 GPU 和 CPU 有自己的 RAM，但我不明白为什么相同的数据帧在 pandas 和 RAPIDS cuDF 中加载时，内存使用情况截然不同。有人可以解释一下吗？