Hallo JMP-Community,
Ich wollte meine positiven Erfahrungen teilen und weitere Einblicke in die Optimierung der JMP-Software auf meinem neuen Setup suchen, insbesondere beim Umgang mit großen Datensätzen und der Durchführung komplexer Analysen.
Ich habe mir vor Kurzem einen neuen Laptop zugelegt und bin bisher von seiner Leistung beeindruckt. Dank seiner leistungsstarken Prozessorkerne hat er die meisten Aufgaben problemlos bewältigt. Allerdings ist mir aufgefallen, dass bei anspruchsvolleren Analysen, wie dem Importieren großer Datenmengen oder komplexen Regressionsmodellen, die Leistung leicht nachlässt.
Ich verwende einen Laptop mit 16 GB RAM, von dem ich erwartete, dass er ideal für die Ausführung von JMP ist. Meistens hat er sehr gut funktioniert und grundlegende Datenmanipulationen und -analysen problemlos bewältigt. Bei anspruchsvolleren Aufgaben wie der Zeitreihenprognose oder der Ausführung erweiterter Skripte stelle ich jedoch gelegentlich eine leichte Verzögerung fest.
Ich bin vor Kurzem auf einen AMD Ryzen-Laptop mit einem Ryzen 7-Prozessor umgestiegen und die Ergebnisse waren im Allgemeinen ausgezeichnet. Dieser Laptop bietet großartige Multitasking-Fähigkeiten und ich habe festgestellt, dass er selbst bei der Arbeit mit großen Datensätzen sehr reaktionsschnell ist. Es scheint, dass die Leistung mit ein wenig Feinabstimmung in Bezug auf die Speicherzuweisung und das Schließen unnötiger Hintergrund-Apps noch reibungsloser sein kann.
Wenn jemand Erfahrung mit der Optimierung von JMP auf AMD Ryzen-Laptops hat, würde ich mich über Vorschläge freuen! Ich bin für alle Optimierungen oder Einstellungen dankbar, die Sie zur Gewährleistung einer optimalen Leistung verwendet haben.
Außerdem bin ich neugierig, wie JMP Multithreading und GPU-Beschleunigung auf AMD-Systemen nutzt. Alle Empfehlungen zur Maximierung dieser Funktionen wären unglaublich hilfreich.
Ich freue mich auf Ihre Gedanken und Vorschläge!
Wenn Sie mehr Speicher hinzufügen können, tun Sie es und nutzen Sie ihn wenn möglich voll aus.
Mit der zunehmenden Datenmenge steigt auch der Bedarf an RAM. Bedenken Sie, dass JMP alles im Speicher erledigt, daher ist Speicher ein kostbares Gut, oft noch kostbarer als die Prozessorgeschwindigkeit. Große Datenmengen können zu enormen Matrixberechnungen führen, die RAM erfordern.
Derzeit nutzen unter Windows nur die Add-Ins Torch und XGBoost GPUs, aber ich glaube, das ist auf CUDA beschränkt, also Nvidia-GPUs. Sie können OpenCL verwenden, das auf AMD-GPUs und Nvidia-GPUs über Python unterstützt wird, indem Sie pyopencl installieren. Mit pyopencl können Sie GPU-Programme schreiben, die Sie über die Python-Integration mit JMP interagieren können. Dies ist sogar mit JMP 14-17 möglich, ist aber mit JMP 18 und höher eine viel bessere Erfahrung.
JMP nutzt Multithreading auf CPU-Kernen. Derzeit wird jedoch keine GPU-Beschleunigung verwendet, außer für die 3D-Grafiken und die oben genannten Add-Ins.
