optimize-for-gpu
Оптимизирует научный Python для NVIDIA GPU с помощью CuPy, cuDF, Numba-CUDA и других библиотек. Применяется для ускорения вычислений NumPy, SciPy, scikit-learn, NetworkX, а также для профилирования, работы с памятью и много-GPU.
Что делает навык
Оптимизирует научный Python-код для NVIDIA GPU, используя библиотеки CuPy, cuDF, Numba-CUDA и RAPIDS, чтобы ускорить вычисления без нарушения числовой точности. Skill применяет подход, основанный на доказательствах: измеряет производительность, сохраняет совместимость с CPU и оставляет GPU-версию только при подтвержденном улучшении.
Когда применять
- Ускорение вычислений с NumPy, SciPy, scikit-learn или NetworkX на больших массивах и матрицах
- Обработка больших данных в DataFrames с использованием pandas/cuDF или графовый анализ через NetworkX/cuGraph
- Векторный поиск, поиск ближайших соседей (Faiss, Annoy) или построение RAG-пайплайнов с использованием cuVS
- Обработка изображений, компьютерное зрение или анализ цифровых патологий (WSI) с помощью scikit-image/cuCIM
- Чтение больших файлов или данных из S3/HTTP напрямую в память GPU с использованием KvikIO и GPUDirect Storage
Как работает
- Определить контракт (входные/выходные данные, допустимую погрешность) и измерить текущую производительность CPU-пути, включая профилирование узких мест.
- Проверить целесообразность переноса: оценить объем независимых вычислений, размер данных и доступную память GPU; оставить CPU-путь для малых или последовательных задач.
- Выбрать наименее инвазивную реализацию: сначала попробовать режимы ускорения (cudf.pandas, cuml.accel), затем нативные API или кастомные ядра только при необходимости.
- Обеспечить целостность GPU-пути данных: минимизировать передачи между CPU/GPU, переиспользовать аллокации, использовать pinned memory и батчинг.
- Валидировать семантику: сравнить результаты CPU и GPU на тестовых данных с явными допусками, проверить edge-кейсы и предупреждения о фоллбэке на CPU.
- Провести корректное бенчмаркирование с учетом асинхронности GPU, используя CUDA events, Nsight Systems/Compute и учет памяти (pooling policy).
Примеры запросов агенту
Что понадобится
- Наличие NVIDIA GPU с поддержкой CUDA
- Установленные библиотеки: RAPIDS (cuDF, cuML, cuGraph и др.), CuPy, Numba-CUDA, Warp, KvikIO, cuVS, cuCIM
- Доступ к профилировщикам Nsight Systems (nsys) и Nsight Compute (ncu) для анализа производительности
Описание составлено по SKILL.md навыка, сверено 08.10.2026.
Как подключить
SKILL.md к навыкам ассистентаНавык — папка с файлом SKILL.md (описание + инструкции) и опциональными скриптами. Ассистент (Claude, Claude Code и совместимые) подхватывает его по описанию и следует шагам.