Intel DAAL安装及使用

Intel oneAPI简介

概括来说，oneAPI是一个统一和简化的编程模型，它的诞生使命，在于广泛适用于不同架构和来自不同供应商的硬件、简化跨多架构的开发过程（如CPU、GPU、FPGA、加速器）。

oneAPI 行业计划鼓励生态系统内基于oneAPI规范的合作以及兼容 oneAPI的实践。

oneAPI beta产品，包括直接编程工具（Data Parallel C++）、基于API的编程工具、以及分析工具和调试工具等组件。

Intel oneAPI 是一个跨行业、开放、基于标准的统一的编程模型，为跨 CPU、GPU、FPGA等产品的开发者提供统一的体，是Intel基于oneAPI行业计划下的一款英特尔beta 产品。开发人员从现在开始就可以在英特尔 DevCloud for oneAPI 上对基于多种英特尔架构的代码和应用进行测试。

Intel oneAPI 相关产品如 Intel oneAPI Base Toolkit、Intel oneAPI HPC Toolkit以及Intel AI Analytics Toolkit，可以在官网进行下载：

Intel® oneAPI Toolkits

Intel DAAL介绍

英特尔®数据分析加速库(Intel® DAAL)是英特尔®架构优化的构件库，涵盖了所有数据分析阶段：从数据源获取数据、预处理、转换、数据挖掘、建模、验证和决策。有助于提升机器学习和大数据分析能力，并帮助数据工程师缩短开发高性能应用的时间。为了在一系列英特尔®处理器上实现最佳性能，英特尔® DAAL使用英特尔®数学内核库和英特尔®集成性能基元的优化算法。

 

Intel DAAL安装

用conda 创建一个虚拟环境，python版本选3.7用conda 安装已经编译好的 intelpython

conda install -c intel intelpython

Intelpython :: Anaconda.org

用conda安装已经编译好的 daal4py

conda install -c intel daal4py

Speed Up ML & DL with Intel® oneAPI Data Analytics Library

安装完成后查阅DAAL API使用 Algorithms — daal4py 2021.1 documentation

代码示例

下面是KNN算法的例子

# let's try to use pandas' fast csv reader

try:

    import pandas

    read_csv = lambda f, c, t=np.float64: pandas.read_csv(f, usecols=c, delimiter=',', header=None, dtype=t)

except:

    # fall back to numpy loadtxt

    read_csv = lambda f, c, t=np.float64: np.loadtxt(f, usecols=c, delimiter=',', ndmin=2)

def main(readcsv=read_csv, method='defaultDense'):

    start = time.clock() # 开始计时

   

    # Input data set parameters

    train_file = os.path.join('data', 'k_nearest_neighbors_train.csv')

    predict_file  = os.path.join('data', 'k_nearest_neighbors_test.csv')

    # Read data. Let's use 5 features per observation

    nFeatures = 5

    nClasses = 5

    train_data   = readcsv(train_file, range(nFeatures))

    train_labels = readcsv(train_file, range(nFeatures, nFeatures+1))

    # Create an algorithm object and call compute

    train_algo = d4p.kdtree_knn_classification_training(nClasses=nClasses)

    # 'weights' is optional argument, let's use equal weights

    # in this case results must be the same as without weights

    weights = np.ones((train_data.shape[0], 1))

    train_result = train_algo.compute(train_data, train_labels, weights)

    # Now let's do some prediction

    predict_data = readcsv(predict_file, range(nFeatures))

    predict_labels = readcsv(predict_file, range(nFeatures, nFeatures+1))

                       

    # Create an algorithm object and call compute

    predict_algo = d4p.kdtree_knn_classification_prediction()

    predict_result = predict_algo.compute(predict_data, train_result.model)

   

    # We expect less than 170 mispredicted values

    assert np.count_nonzero(predict_labels != predict_result.prediction) < 170

   

    end=time.clock() #结束计时

    print("time", end-start)

    return (train_result, predict_result, predict_labels)

if __name__ == "__main__":

    (train_result, predict_result, predict_labels) = main()

#     print(predict_result.prediction.shape)

#     print(predict_labels.shape)

    print("accuracy_score", accuracy_score(predict_labels, predict_result.prediction))

    print("precision_score", precision_score(predict_labels, predict_result.prediction,average="macro"))

    print("recall_score", recall_score(predict_labels, predict_result.prediction, average="macro"))

    print("f1_score", f1_score(predict_labels, predict_result.prediction, average="macro"))

    print("confusion_matrix\n", confusion_matrix(predict_labels, predict_result.prediction))

运行结果：