AIKraft/Skills/optimize-for-gpu

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.

KDK-Dense official Разработка ★ 47.7k

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

  1. Определить контракт (входные/выходные данные, допустимую погрешность) и измерить текущую производительность CPU-пути, включая профилирование узких мест.
  2. Проверить целесообразность переноса: оценить объем независимых вычислений, размер данных и доступную память GPU; оставить CPU-путь для малых или последовательных задач.
  3. Выбрать наименее инвазивную реализацию: сначала попробовать режимы ускорения (cudf.pandas, cuml.accel), затем нативные API или кастомные ядра только при необходимости.
  4. Обеспечить целостность GPU-пути данных: минимизировать передачи между CPU/GPU, переиспользовать аллокации, использовать pinned memory и батчинг.
  5. Валидировать семантику: сравнить результаты CPU и GPU на тестовых данных с явными допусками, проверить edge-кейсы и предупреждения о фоллбэке на CPU.
  6. Провести корректное бенчмаркирование с учетом асинхронности GPU, используя CUDA events, Nsight Systems/Compute и учет памяти (pooling policy).

Примеры запросов агенту

Ускорь мой код на NumPy и SciPy для работы с большими матрицами, используя GPU и CuPy, сохранив точность вычислений.
Перенеси графовые алгоритмы NetworkX (PageRank, community detection) на GPU с помощью cuGraph и оптимизируй их производительность.
Оптимизируй поиск ближайших соседей для больших наборов векторов, используя GPU-ускорение через cuVS или Faiss.

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

1Скачать навык
# возьмите папку навыка «optimize-for-gpu» из репозитория: # https://github.com/k-dense-ai/scientific-agent-skills
2Положить папку с SKILL.md к навыкам ассистента
# положите папку навыка туда, где ассистент ищет skills: cp -r optimize-for-gpu/ ~/.claude/skills/optimize-for-gpu/

Навык — папка с файлом SKILL.md (описание + инструкции) и опциональными скриптами. Ассистент (Claude, Claude Code и совместимые) подхватывает его по описанию и следует шагам.