11.1. Поддержка Array API (экспериментальная)

11.1.1.1. Поддержка PyTorch

Для поддержки тензоров PyTorch нужно установить array_api_dispatch=True и передать тензоры напрямую:

>>> import torch
>>> X_torch = torch.asarray(X_np, device="cuda", dtype=torch.float32)
>>> y_torch = torch.asarray(y_np, device="cuda", dtype=torch.float32)

>>> with config_context(array_api_dispatch=True):
...     lda = LinearDiscriminantAnalysis()
...     X_trans = lda.fit_transform(X_torch, y_torch)
>>> type(X_trans)
<class 'torch.Tensor'>
>>> X_trans.device.type
'cuda'

11.1.2.1. Оценщики

• decomposition.PCA (с svd_solver="full", svd_solver="randomized" и power_iteration_normalizer="QR")
• linear_model.Ridge (с solver="svd")
• discriminant_analysis.LinearDiscriminantAnalysis (с solver="svd")
• preprocessing.KernelCenterer
• preprocessing.LabelEncoder
• preprocessing.MaxAbsScaler
• preprocessing.MinMaxScaler
• preprocessing.Normalizer

11.1.2.2. Мета-оценщики

Мета-оценщики, принимающие входные данные Array API при условии, что базовая оценка также это делает:

• model_selection.GridSearchCV
• model_selection.RandomizedSearchCV
• model_selection.HalvingGridSearchCV
• model_selection.HalvingRandomSearchCV

11.1.2.3. Метрики

• sklearn.metrics.cluster.entropy
• sklearn.metrics.accuracy_score
• sklearn.metrics.d2_tweedie_score
• sklearn.metrics.f1_score
• sklearn.metrics.max_error
• sklearn.metrics.mean_absolute_error
• sklearn.metrics.mean_absolute_percentage_error
• sklearn.metrics.mean_gamma_deviance
• sklearn.metrics.mean_poisson_deviance (требуется включение поддержки Array API для SciPy)
• sklearn.metrics.mean_squared_error
• sklearn.metrics.mean_squared_log_error
• sklearn.metrics.mean_tweedie_deviance
• sklearn.metrics.multilabel_confusion_matrix
• sklearn.metrics.pairwise.additive_chi2_kernel
• sklearn.metrics.pairwise.chi2_kernel
• sklearn.metrics.pairwise.cosine_similarity
• sklearn.metrics.pairwise.cosine_distances
• sklearn.metrics.pairwise.euclidean_distances (см. Примечание по поддержке устройств для float64)
• sklearn.metrics.pairwise.linear_kernel
• sklearn.metrics.pairwise.paired_cosine_distances
• sklearn.metrics.pairwise.paired_euclidean_distances
• sklearn.metrics.pairwise.polynomial_kernel
• sklearn.metrics.pairwise.rbf_kernel (см. Примечание по поддержке устройств для float64)
• sklearn.metrics.pairwise.sigmoid_kernel
• sklearn.metrics.precision_recall_fscore_support
• sklearn.metrics.r2_score
• sklearn.metrics.root_mean_squared_error
• sklearn.metrics.root_mean_squared_log_error
• sklearn.metrics.zero_one_loss

11.1.2.4. Инструменты

• model_selection.train_test_split

Ожидается, что охват будет расти со временем. Следуйте за выделенной задачей на GitHub, чтобы отслеживать прогресс.

11.1.2.5. Тип возвращаемых значений и атрибутов подгонки

При вызове функций или методов с входными данными, совместимыми с Array API, принято возвращать массивы того же типа контейнера массивов и устройства, что и входные данные.

Аналогично, когда оценщик подгоняется с входными данными, совместимыми с Array API, атрибуты подгонки будут массивами из той же библиотеки, что и входные данные, и храниться на том же устройстве. Методы predict и transform впоследствии ожидают входные данные из той же библиотеки массивов и устройства, что и данные, переданные методу fit.

Однако обратите внимание, что функции оценки, возвращающие скалярные значения, возвращают скалярные значения Python (обычно экземпляр float) вместо скалярного значения массива.

11.1.3.1. Замечание о поддержке устройств MPS

В macOS PyTorch может использовать Metal Performance Shaders (MPS) для доступа к ускорителям аппаратного обеспечения (например, к внутренней компоненте графического процессора чипов M1 или M2). Однако поддержка устройств MPS для PyTorch на момент написания неполная. Более подробную информацию см. в следующем вопросе на GitHub:

• pytorch/pytorch#77764

Для включения поддержки MPS в PyTorch установите переменную окружения PYTORCH_ENABLE_MPS_FALLBACK=1 перед запуском тестов:

PYTORCH_ENABLE_MPS_FALLBACK=1 pytest -k "array_api" -v

На момент написания все тесты scikit-learn должны пройти, однако скорость вычислений не обязательно лучше, чем при использовании устройства CPU.

11.1.3.2. Замечание о поддержке устройств для float64

Некоторые операции в scikit-learn автоматически выполняют операции с плавающей запятой с float64 точностью, чтобы предотвратить переполнение и обеспечить правильность (например, metrics.pairwise.euclidean_distances). Однако некоторые комбинации пространств массивов и устройств, такие как PyTorch on MPS (см. Замечание о поддержке устройств MPS), не поддерживают тип данных float64. В этих случаях scikit-learn вернется к использованию типа данных float32 вместо этого. Это может привести к другому поведению (обычно числовым нестабильным результатам) по сравнению с отсутствием диспетчеризации Array API или использованием устройства с поддержкой float64.