Scikit-Learn 1.8.0 更新引入了实验性的 Array API 支持。这意味着 CuPy 数组或 PyTorch 张量现在可以直接在 Scikit-Learn 的部分组件中直接使用了，且计算过程能保留在 GPU 上。

Scikit-Learn 开始正式支持Python Array API 标准。这是一个由 NumPy、CuPy、PyTorch、JAX 等库共同维护的接口规范。在 1.8.0 版本中可以实现：

直接传参：受支持的评估器（estimators）现在可以直接接收 CuPy 数组或 PyTorch 张量。

计算分派：运算会被自动分派到对应的非 CPU 设备（如 GPU）上执行。

状态保留：模型拟合后的属性会与输入数据保持在同一物理设备上。

虽然目前的版本依然贴着“实验性”标签且需要显式开启，但它确实打破了 Scikit-Learn 过去那种“万物皆需 NumPy”的框架。

如果你平时不怎么用 cross_val_score、GridSearchCV 或 CalibratedClassifierCV，那你可能感觉不到这次更新的提速。但对大多数从事肃建模的开发者来说，交叉验证一直是 GPU 的“性能杀手”。

在旧版本中，即便你的基础模型（如 XGBoost）是在 GPU 上训练的，Scikit-Learn 的编排逻辑会把数组转回 NumPy，然后在 CPU 上重新计算各项指标。这种频繁的内存搬运和 CPU 的操作浪费了大量的时间，但是Array API 的加入让这种循环能基本闭环在 GPU 内部运行。

启用这项特性需要完成下面的配置。如果漏掉任何一步，程序都会悄悄退回到 NumPy 模式。

环境变量设置（必须在导入 SciPy 或 Scikit-Learn 之前）：

import os   os.environ["SCIPY_ARRAY_API"] = "1"

配置 Scikit-Learn 内部开关：

from sklearn import set_config   set_config(array_api_dispatch=True)

目前还有一个问题，就是不支持 cuDF DataFrames。但是你依然可以用 cuDF 做数据加载和预处理，不过输入模型之前必须确保输入是 array-like 格式。也就是说类别特征必须手动编码而且且无法再依赖 pandas/cuDF 的 dtype 自动识别机制。

下面是一个运行 5 折分层交叉验证的示例。为了让整个链路留在 GPU 上，我们需要对 XGBClassifier 做一点小的封装，并结合 cuML 的指标计算。

import os   os.environ['SCIPY_ARRAY_API'] = '1'    import cupy as cp   import cudf   from sklearn.model_selection import StratifiedKFold, cross_val_score   from sklearn.metrics import make_scorer   from cuml.metrics import roc_auc_score   from xgboost import XGBClassifier   from sklearn import set_config   set_config(array_api_dispatch=True)   # 加载数据并进行简单的预处理X = cudf.read_csv('/kaggle/input/playground-series-s5e12/train.csv').set_index('id')   y = X.pop('diagnosed_diabetes').astype(int)   # 类别特征编码处理cat_cols = [c for c in X.columns if X[c].dtype == 'object']   X = X.astype({c: 'category' for c in cat_cols})   for c in cat_cols:      X[c] = X[c].cat.codes   ft = ['c' if c in cat_cols else 'q' for c in X.columns]   kfold = StratifiedKFold(5, shuffle=True, random_state=0)   # 封装 XGB 以适配 CuPy 预测class cuXGBClassifier(XGBClassifier):      @property      defes_(self):          return cp.asarray(super().classes_)      def predict_proba(self, X):          p = self.get_booster().inplace_predict(X)          if p.ndim == 1:              p = cp.column_stack([1 - p, p])          return p      def predict(self, X):          return cp.asarray(super().predict(X))   model = cuXGBClassifier(      enable_categorical=True,      feature_types=ft,      device='cuda',      n_jobs=4,      random_state=0   )   # 执行交叉验证scores = cross_val_score(      model,      X.values,      y.values,      cv=kfold,      scoring=make_scorer(          roc_auc_score,          response_method="predict_proba"      ),      n_jobs=1   )   print(f"{scores.mean():.5f} ± {scores.std():.5f}")

虽然这段代码看起来还是需要一些修改，但它确实能让交叉验证循环保持在 GPU 上。

目前 Array API 的覆盖范围还在逐步扩大。在 1.8.0 中，以下组件已经具备了较好的支持：

预处理：StandardScaler、PolynomialFeatures

线性模型与校准：RidgeCV、RidgeClassifierCV、CalibratedClassifierCV

聚类与混合模型：GaussianMixture

官方提供的一个基于 PyTorch 的 Ridge 管道示例显示，在处理线性代数密集型任务时，这种配置在 Colab 环境下能比单核 CPU 快出 10 倍左右。

ridge_pipeline_gpu = make_pipeline(      feature_preprocessor,      FunctionTransformer(          lambda x: torch.tensor(              x.to_numpy().astype(np.float32),              device="cuda"          )      ),      CalibratedClassifierCV(          RidgeClassifierCV(alphas=alphas),          method="temperature"      ),   )    with sklearn.config_context(array_api_dispatch=True):      cv_results = cross_validate(          ridge_pipeline_gpu, features, target      )

Scikit-Learn 准备好完全接管 GPU 了吗？显然还没有。但这个版本意义在于，它正已经向GPU的支持迈出了第一步。目前这种方式虽然还有点“硬核”，对普通用户不够友好，但对于追求极致效率的开发者来说，Scikit-Learn 1.8.0 已经要想这个方向前进了。

https://avoid.overfit.cn/post/ab7e632896364fc3b4b9fdc9d17884e3

作者：Abish Pius