白城信息网

首页 > 正文

第四范式率先发布XGBoost++,轻松切换AI异构算力

www.niketnmode.com2019-09-22

最近,第四个范例宣布它将推出两种计算黑技术:xgboost++和pygdbt。XGBoost是人工智能开发人员熟知的工具。xgboost++可以在前者的基础上轻松切换到异构计算模式,只享受软硬技术带来的终极计算能力提升。pygdbt将于10月初发布,它将从另一个维度为用户提供最终的计算体验。用户只需编写基于scikit的python程序,就可以通过智能参考框架来享受异构计算的乐趣。终极表演。

XGBOOST ++和PYGDBT的共同之处在于,在过去的人工智能开发中,需要使用异构加速或实现高维离散场景需要一个深层的人工智能技术基础,并且这两个工具的易用性允许数据科学家、数据分析员和一般人员。人工智能开发人员可以很容易地开始。这也使得第四种范式从“为每个人提供人工智能”的视角走得更远。

第四范式flashgbm:将医学、金融等高维离散场景的计算速度提高10倍

第四个范例flashgbm是xgboost++和pygdbt的底层异构加速引擎。该加速器采用基于fpga的gbm专用加速芯片定制高性能软件程序,特别擅长处理复杂的高维离散特征。flashgbm不仅在不同场景下的平均加速速度提高了10倍,而且与传统的cpu解决方案相比还具有内置的自动参数优化功能,省去了专家手动调整过程,自动调整到最佳性能。降低使用阈值,缩短建模时间。循环。

FlashGBM具有以下功能:

1。为高维离散稀疏场景提供高性能支持,覆盖传统gbm难以覆盖的场景。

2。介绍参数自动调整技术。在最有效的情况下,用户不需要手动调整参数来确定参数的组合。

三。针对gbm训练算法和fpga结构特点进行深入的流水线优化,避免了cache-bank冲突,提高了访问效率。

在测试实验中(见上表),可以看出不同场景的加速比在4.0X到26X之间,平均加速比达到12.5X,其中,互联网广告点击率预测是典型的高维稀疏离散计算场景;场景中存在大量的离散特征,如用户是否购买x产品,b用户是否收集y产品,以及海量用户与海量行为的交集超高维,如数百万用户与数百行为交集生成billio。尺寸ns。在这种情况下,flashgbm的速度会加快26倍。

flashgbm将数据从主机通过pcie传输到计算核心。计算核心通过与板载存储器交互来计算gbm的统计直方图,并将结果发送回主机存储器。

第四种模式xgboost++:从xgboost切换到flashgbm高性能模式

xgboost是一种高效的梯度增强系统实现。作为一个开源系统,xgboost社区非常活跃,应用广泛。第四个范例xgboost++在底层的flashgbm框架上实现了xgboost兼容接口。数据科学家可以以零学习成本切换到高性能flashgbm模式,并享受到fpga带来的异构加速优势。

第四个范例pyGDBT:创建一个易于使用的高维分布式机器学习框架

GDBT是由第四范式独立开发的超大规模分布式机器学习框架。最初的目的是创建一个专为分布式大规模机器学习而设计的计算框架,同时考虑到开发效率和运营效率。与主流开源架构相比,GBM在高维场景中具有一百倍的优势。即将推出的第四个范例pyGDBT旨在了解AI科学家的使用习惯。 GDBT已经进一步集成和优化,并在建模效率,模型尺寸和效果,性能和易用性方面进行了升级:

1)高效率:通过智能调整参与机制降低特性和模型研究周期,从而实现重复研究的高成本。

2)模型维度和效果:通过集群计算框架和分布式训练算法支持海量数据和高维模型,以提高模型表达能力和效果。

3)高性能:结合FlashGBM底层计算框架,提供异构加速功能。

4)易于使用:提供类似于scikit-learn的python接口,AI建模者可以快速实现代码迁移和使用。

葡京真人网上开户

热门浏览
热门排行榜
热门标签
日期归档