Bonjour la communauté JMP,
Je souhaitais partager mon expérience positive et rechercher des informations supplémentaires sur l'optimisation du logiciel JMP sur ma nouvelle configuration, en particulier lors de la gestion de grands ensembles de données et de l'exécution d'analyses complexes.
J'ai récemment acheté un nouvel ordinateur portable et jusqu'à présent, j'ai été impressionné par ses performances. Grâce à ses puissants cœurs de traitement, il a géré la plupart des tâches sans problème. Cependant, j'ai remarqué que lors de l'exécution d'analyses plus intensives, telles que des importations de données volumineuses ou des modèles de régression complexes, il y a un léger décalage dans les performances.
J'utilise un ordinateur portable avec 16 Go de RAM, ce qui, selon moi, est idéal pour exécuter JMP. Dans l'ensemble, il a très bien fonctionné, gérant sans problème la manipulation et l'analyse des données de base. Cependant, pour des tâches plus exigeantes comme la prévision de séries chronologiques ou l'exécution de scripts avancés, je remarque parfois un léger retard.
J'ai récemment opté pour un ordinateur portable AMD Ryzen avec un processeur Ryzen 7, et les résultats ont été globalement excellents. Cet ordinateur portable offre de grandes capacités multitâches, et je l'ai trouvé très réactif, même lorsque je travaille avec de grands ensembles de données. Il semble qu'avec quelques ajustements en termes d'allocation de mémoire et de fermeture des applications d'arrière-plan inutiles, les performances peuvent être encore plus fluides.
Si quelqu'un a déjà optimisé JMP sur des ordinateurs portables AMD Ryzen, j'aimerais connaître ses suggestions ! Tous les ajustements ou paramètres que vous avez utilisés pour garantir des performances optimales seraient grandement appréciés.
De plus, je suis curieux de savoir comment JMP utilise le multithreading et l'accélération GPU sur les systèmes AMD. Toute recommandation sur la maximisation de ces fonctionnalités serait extrêmement utile.
J'attends avec impatience vos réflexions et suggestions !
Si vous pouvez ajouter plus de mémoire, ajoutez-la, maximisez-la si possible.
À mesure que les données continuent de croître, le besoin en RAM augmente. N'oubliez pas que JMP fait tout en mémoire, la mémoire est donc un bien précieux, souvent plus que la vitesse du processeur. Les données volumineuses peuvent conduire à d'énormes calculs matriciels qui nécessitent de la RAM.
Actuellement, sous Windows, seuls les modules complémentaires Torch et XGBoost utilisent des GPU, mais je pense que cela est limité à CUDA, qui serait des GPU Nvidia. Vous pouvez utiliser OpenCL qui est pris en charge sur les GPU AMD et les GPU Nvidia via Python en installant pyopencl. Pyopencl vous permettra d'écrire des programmes GPU avec lesquels vous pourrez interagir avec JMP via l'intégration Python. Cela est possible même avec JMP 14-17, mais c'est une bien meilleure expérience avec JMP 18 et au-delà.
JMP exploite le multithreading sur les cœurs de processeur. Mais à l'heure actuelle, il n'utilise pas l'accélération GPU, sauf pour les graphiques 3D et les modules complémentaires mentionnés ci-dessus.
