使用“boot”包进行引导的 GPU 计算

我想使用引导程序进行大型分析。我发现使用并行计算提高了引导速度，如以下代码所示：

并行计算

# detect number of cpu
library(parallel)
detectCores()

library(boot)
# boot function --> mean
bt.mean <- function(dat, d){
  x <- dat[d]
  m <- mean(x)
  return(m)
}

# obtain confidence intervals
# use parallel computing with 4 cpus
x  <- mtcars$mpg
bt <- boot(x, bt.mean, R = 1000, parallel = "snow", ncpus = 4)
quantile(bt$t, probs = c(0.025, 0.975))

然而，由于我的情况下计算总量很大（10,000 个引导样本的 10^6 回归），我读到有一些方法可以使用 GPU 计算来进一步提高速度（link1 http://www.parallelr.com/blog/, link2 https://cran.r-project.org/web/views/HighPerformanceComputing.html）。您可以轻松地将 GPU 计算与某些功能结合使用，例如：

GPU计算

m   <- matrix(rnorm(10^6), ncol = 1000)
csm <- gpuR::colSums(m)

但在我看来，这些包只能处理一些特定的 R 函数，例如矩阵运算、线性代数或聚类分析（link3 http://www.r-tutor.com/gpu-computing）。 另一种方法是使用 CUDA/C/C++/Fortran 创建自己的函数（link4 https://devblogs.nvidia.com/parallelforall/accelerate-r-applications-cuda/）。但我宁愿在 R 中寻找解决方案。

因此我的问题是：

是否可以使用 GPU 计算进行引导boot包和其他 R 包（例如quantreg)?

我认为现在不做任何额外的编程是不可能自由地获得GPU计算能力的。但 gpuR 包是一个很好的起点。正如您所指出的，gpuR只能处理一些特定的R函数，例如矩阵运算和线性代数，它受到限制但很有用，例如，线性回归可以轻松地表述为线性代数问题。至于分位数回归，虽然不像线性回归那样直接转化为线性代数，但是是可以做到的。例如，您可以使用牛顿-拉夫森算法或其他数值优化算法来处理分位数回归（这并不像听起来那么难），而牛顿算法是线性代数形式。

gpuR包已经隐藏了很多c++编程细节和硬件细节来利用gpu计算能力，并提供了相当易于使用的编程风格，只要我能想到的，这就是实现你想要的方式最省力的方法：依靠 gpuR 包，用矩阵运算和线性代数（Newton Raphson 等）来表述你的问题，然后自己进行编程，或者你可以在 R 中找到一些用于分位数回归的 Newton Raphson 实现，并做一些小工作必要的修改，例如使用gpuMatrix代替矩阵等。希望它有帮助。