TSNE（T 分布随机邻域嵌入）是一种流行的无监督降维算法，其用途非常广泛，包括神经病学，图像相似性和可视化神经网络。但它的最大缺点是在大多数可用的实现中处理时间很长。RAPIDS 现在基于 CannyLab 开发的基于 GPU 的 Barnes-Hut 方法，提供了 GPU 加速的快速 TSNE。RAPIDS 的 cuML 机器学习库中的 TSNE 的运行速度比相应的 CPU 实施快 2,000 倍，并且比当前 GPU 版本使用的 GPU 内存少 30％。一名名为 Daniel Han-Chen 的机器学习爱好者在其博客介绍了一些相关用例示例，然后将 cuML 的 GPU TSNE 实现与 scikit-learn 进行比较的基准测试。最后，他详细解释了 TSNE 的工作方式以及如何在 cuML 中对其进行优化以在 GPU 上运行。