cuML 机器学习 GPU库 sklearn 的上位替代 在Windows上使用办法

cuml库

因为数据量太大，使用CPU的sklearn训练时间太长，通过查找加速办法发现了cuml库，这是通过gpu加速的机器学习的sklearn的替代品，api接口与sklearn基本一致，能很快手上。但查看介绍才知道这个库只支持Linux系统，好在我在其主页发现了它支持WSL2，这解决了在windows系统上使用的cuml的问题。

一、安装WSL2

这是一个在Windows上原生运行的Linux子系统，据说在上运行大概损耗2%的性能（不知道真假），安装也很简单，首先需要更新你的系统至较新版本（具体版本可查看官方教程）
注意WSL2只支持WIN10、11的较新版本这点非常重要！（虽然RAPIDS说只支持win11，但我的win10依旧可以安装使用）
安装教程可查看（官方教程非常清楚简单，按步骤来就可以轻松安装）：(官网 link)
重要步骤：

1. 启动Linux子系统和虚拟机功能（启动后重启电脑）
2. 在Microsoft store里搜索Ubuntu，选择20或者22版本进行下载（到此环境基本安装好了）
3. 建议在Microsoft store里安装一个终端（如果没有的话）
4. 在终端里打开Ubuntu的命令行，设置Ubuntu系统的账号和密码 （系统就可用了）

二、安装VScode进行使用（推荐）

如果没有可视化需求，那么通过命令行基本可以实现所有的功能。使用VScode基本能满足所有的训练和调试代码需求，在Vscode的扩展里安装WSL

在远程资源管理中选择WSL，然后连接Ubuntu就可以使用系统了

三、安装 CUDA 和 Mincoda

1. WSL2能使用Windows自带的GPU驱动，只需要安装cuda即可，网上教程很多，这里就不详细说明了。
   注意：安装的cuda版本是有限制的，建议查看RAPIDS官网的推荐，目前推荐安装11.8或者12.0
2. 安装好cuda后安装minconda 官方安装教程链接，这里我也给出安装命令方便大家复制使用
   按照以下命令即可以安装配置好

mkdir -p ~/miniconda3
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda3/miniconda.sh
bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3
rm -rf ~/miniconda3/miniconda.sh

在bash中激活环境

~/miniconda3/bin/conda init bash

四、安装cuML库

安装非常简单，之间使用官方给的办法就好，这里给出 RAPIDS 官方链接 选择你的cuda版本和需要的库即可，这里我只需要cuML

安装命令如下：

# 替换你想要的环境名，选择python版本目前仅支持3.9和3.10，预览版支持3.11
conda create -n your_env_name python=3.9/3.10  
# 激活环境
conda activate your_env_name 
# 安装cuML
pip install \
    --extra-index-url=https://pypi.nvidia.com \
    cuml-cu11==24.2.*

至此你就能在windows系统上使用cuml库了，甚至别的只支持Linux系统的库都可以在上面安装使用