RAPIDS cuML线性回归为何比statsmodels.api等效实现运行更慢？

核心原因：数据量太小，GPU加速的开销抵消了计算优势 #

GPU加速的核心价值是并行处理大规模数据，但它存在几个无法避免的固定开销：

• CPU数据转成GPU可识别格式（比如numpy转cudf）的传输开销
• GPU模型初始化、计算内核启动的开销

你的测试数据只有1000个样本、1个特征，属于极小数据集：

• CPU上的statsmodels处理这种规模的数据几乎是瞬时完成，没有额外开销
• cuML的这些固定开销（数据转换、GPU启动）远大于它在计算上节省的时间，最终总耗时反而更高

验证方法：增大数据量测试 #

把样本量和特征数调大，比如设置n_samples=1_000_000、n_features=100，再运行代码就能看到cuML的速度优势。修改后的测试代码示例：

import numpy as np
import cudf
import cuml
import statsmodels.api as sm
import time

# 生成大规模测试数据
n_samples = 1000000
n_features = 100
X = np.random.rand(n_samples, n_features)
y = np.random.rand(n_samples)
X_ = cudf.DataFrame(X)
y_ = cudf.Series(y)

start = time.time()
# statsmodels OLS
ols_model = sm.OLS(y, X)
ols_results = ols_model.fit()
end = time.time()
print(f'ols runtime:{end-start}s')

# cuML 线性回归
reg_model = cuml.LinearRegression(fit_intercept=False)
reg_model.fit(X_, y_)
end2 = time.time()
print(f'cuml runtime:{end2-end}s')

# 只打印前5个系数避免输出过长
print('OLS coefficients:', ols_results.params[:5])
print('cuML coefficients:', reg_model.coef_[:5])

额外优化点：减少不必要的重复开销 #

如果需要多次运行GPU模型，尽量复用cudf数据对象，避免重复转换；同时可以提前初始化GPU环境，减少首次启动的开销。

内容的提问来源于stack exchange，提问作者Resh