咨询：如何在Google Colab Pro中加速仅含cuML的RAPIDS安装

默认RAPIDS安装脚本会部署全量组件，加上Colab网络、环境依赖解析等因素，容易导致安装耗时远超预期。针对仅需cuML的场景，可通过以下方式优化：

1. 仅安装cuML及必要依赖 #

跳过全量RAPIDS包，直接用conda指定安装cuML，避免冗余组件的下载和配置：

# 匹配Colab环境的版本安装（CUDA 11.8 + Python 3.10对应RAPIDS 23.12）
!conda install -c rapidsai -c conda-forge -c nvidia cuml=23.12 python=3.10 cudatoolkit=11.8 -y

2. 简化前置步骤，减少环境重启 #

Colab当前环境的GCC版本通常已满足cuML要求（≥7.5），可先验证版本：

!gcc --version

若版本符合，可跳过update_gcc.sh脚本执行及对应的环境重启步骤，减少不必要的耗时。

3. 用mamba加速conda包管理 #

mamba的依赖解析和下载速度远快于原生conda，先配置mamba作为默认包管理器：

!conda install -n base conda-libmamba-solver -y
!conda config --set solver libmamba

4. 确认GPU兼容性 #

cuML仅支持NVIDIA计算能力≥7.0的GPU（如T4、A100），先验证当前GPU：

!nvidia-smi

若分配到K80等老GPU，建议重新启动会话获取兼容GPU，否则不仅安装慢，后续也无法正常运行cuML。

优化后的完整安装步骤 #

# 初始化condacolab环境
import condacolab
condacolab.install()
condacolab.check()

# 配置mamba加速包管理
!conda install -n base conda-libmamba-solver -y
!conda config --set solver libmamba

# 安装cuML
!conda install -c rapidsai -c conda-forge -c nvidia cuml=23.12 python=3.10 cudatoolkit=11.8 -y

# 设置必要环境变量
import os
os.environ['NUMBAPRO_NVVM'] = '/usr/local/cuda/nvvm/lib64/libnvvm.so'
os.environ['NUMBAPRO_LIBDEVICE'] = '/usr/local/cuda/nvvm/libdevice/'
os.environ['CONDA_PREFIX'] = '/usr/local'

内容的提问来源于stack exchange，提问作者Gozdi