Claude Skill MartKhám phá skillCâu dùng ngayHọc qua videoDùng terminalSkill là gì?
 
← Về danh sách

Tối ưu hóa GPU cho Python (NVIDIA)

Chuyển mã Python khoa học chậm chạp sang GPU NVIDIA và kiểm chứng rằng kết quả vẫn đúng và thực sự nhanh hơn.

Lập trìnhNâng cao★ 33,030⑂ 3,248Điểm AI 8/10Cập nhật lần cuối: 9 thg 8, 2026

Làm được gì

  • Phân tích mã NumPy/pandas/scikit-learn/NetworkX chậm và đánh giá xem có đáng chuyển sang GPU hay không trước khi viết lại.
  • Chọn lớp thư viện ít xâm lấn nhất: NumPy→CuPy, pandas→cudf.pandas/cuDF, scikit-learn→cuml.accel/cuML, NetworkX→nx-cugraph, scikit-image→cuCIM, tìm kiếm vector→cuVS, I/O tệp→KvikIO, mô phỏng→Warp/Newton.
  • Đo benchmark đúng cách (CUDA events, cupyx.profiler.benchmark, nsys, ncu) thay vì đo nhầm thời gian enqueue.
  • Kiểm tra tính đúng đắn số học với dung sai rõ ràng, báo cáo recall@k cho tìm kiếm gần đúng, phát hiện fallback về CPU.
  • Cảnh báo các thư viện đã ngừng hỗ trợ (cuxfilter, cuSpatial) và gợi ý phương án thay thế.

Phù hợp với ai

  • Nhà nghiên cứu, data scientist, kỹ sư ML xử lý mảng/dataframe cỡ lớn.
  • Người mới tiếp cận hệ sinh thái RAPIDS, chưa biết chọn thư viện nào.
  • Người đã có mã GPU nhưng nghi ngờ cách đo tốc độ và độ chính xác.

Ví dụ sử dụng

  1. "GroupBy trên 50 triệu dòng pandas quá chậm" → thử cudf.pandas trước, nếu chưa đủ thì dùng API cuDF gốc và đo end-to-end kèm chi phí truyền dữ liệu.
  2. "Pipeline RAG dùng sklearn NearestNeighbors" → chuyển sang cuVS và so recall@k với tìm kiếm chính xác.
  3. "PageRank NetworkX chạy hàng giờ" → bật backend nx-cugraph gần như không sửa mã, kiểm tra log xem có rơi về CPU không.

· · · Hướng dẫn cài đặt · · ·

Dùng thử ngay, không cần cài

Dán đoạn dưới vào Claude là dùng được skill này mà không cần cài đặt.

Hãy đọc hướng dẫn trong tệp này và làm theo để giúp mình:
https://raw.githubusercontent.com/K-Dense-AI/scientific-agent-skills/HEAD/skills/optimize-for-gpu/SKILL.md

Mình muốn: (viết việc bạn cần ở đây)

Nếu Claude không mở được liên kết, hãy mở liên kết và copy nội dung vào rồi dán.

↓ Thấy hữu ích thì tải ZIP bên dưới và cài. Sau đó skill tự chạy, không phải dán lại mỗi lần.

Cài vào ứng dụng Claude (không cần terminal)
  1. Tải tệp ZIP bằng nút bên dưới.
  2. Trong Claude, mở Settings → Capabilities và bật 'Code execution and file creation'. (chỉ một lần)
  3. Vào Customize → Skills → + → 'Upload a skill' rồi tải tệp ZIP lên.
↓ Tải ZIP
Cài vào Claude Code

Để Claude làm — dán câu dưới đây vào Claude Code

Hãy cài skill mình tìm thấy trên Claude Skill Mart.
Copy thư mục skills/optimize-for-gpu từ repo GitHub K-Dense-AI/scientific-agent-skills vào ~/.claude/skills/optimize-for-gpu/ của mình.
Sau khi cài xong, cho mình biết skill này làm được gì trong một câu.

Cài bằng lệnh thủ công

git clone https://github.com/K-Dense-AI/scientific-agent-skills.git /tmp/sas && mkdir -p ~/.claude/skills && cp -r /tmp/sas/skills/optimize-for-gpu ~/.claude/skills/

⚠ Đây là skill do người khác tạo. Hãy kiểm tra repo gốc trước khi cài.

  1. Xác nhận bạn có GPU NVIDIA hỗ trợ CUDA, chạy Linux hoặc WSL2, Python 3.11 trở lên.
  2. Tải mã nguồn: git clone https://github.com/K-Dense-AI/scientific-agent-skills.git
  3. Sao chép thư mục kỹ năng: mkdir -p ~/.claude/skills && cp -r scientific-agent-skills/skills/optimize-for-gpu ~/.claude/skills/
  4. Kiểm tra thư mục references/ đã được copy đầy đủ (chứa hướng dẫn chi tiết từng thư viện).
  5. Khởi động lại Claude Code và yêu cầu, ví dụ: "Tối ưu đoạn NumPy này bằng GPU".
  6. Cài các gói GPU (CuPy, RAPIDS...) theo đúng phiên bản CUDA như mô tả trong references/installation.md.
Xem mã nguồn trên GitHub ↗Giấy phép: MIT