第四范式率先發(fā)布XGBoost++，輕松切換AI異構(gòu)算力

近日，第四范式宣布將推出兩項(xiàng)算力黑科技：XGBoost++和pyGDBT。XGBoost是AI開發(fā)者所熟知的工具，XGBoost++可以在前者的基礎(chǔ)上，只修改一行代碼，即可輕松切換到異構(gòu)計(jì)算模式，享受軟硬一體技術(shù)帶來的極致算力升級(jí)。而將于10月初發(fā)布的pyGDBT則從另一個(gè)維度給用戶帶來極致算力體驗(yàn)，用戶只需基于類似scikit-learn的語法編寫python程序，即可通過智能調(diào)參框架，享受異構(gòu)計(jì)算帶來的極致性能。

XGBoost++和pyGDBT的共同點(diǎn)在于，以往的AI開發(fā)中想要使用異構(gòu)加速或?qū)崿F(xiàn)高維離散場(chǎng)景的計(jì)算需要，必須具備深厚的AI技術(shù)基礎(chǔ)，而這兩款工具的易用程度讓數(shù)據(jù)科學(xué)家、數(shù)據(jù)分析師、普通AI開發(fā)者即可輕松上手。這也讓第四范式離“AI for Everyone”的愿景更進(jìn)一步。

第四范式FlashGBM：讓醫(yī)學(xué)、金融等高維離散場(chǎng)景計(jì)算提速10倍

第四范式FlashGBM是XGBoost++和pyGDBT的底層異構(gòu)加速引擎，使用基于FPGA開發(fā)的GBM專用加速芯片，定制了配合該加速器的高性能軟件程序，尤其擅長處理復(fù)雜的高維離散特征。FlashGBM不僅實(shí)現(xiàn)了不同場(chǎng)景下平均10倍以上的加速，而且相比傳統(tǒng)的CPU方案，內(nèi)置自動(dòng)參數(shù)優(yōu)化功能，免去專家人工調(diào)參過程，自動(dòng)調(diào)整至最優(yōu)性能，降低使用門檻，縮短建模周期。

FlashGBM有如下特性：

1. 為高維離散稀疏場(chǎng)景提供高性能支持，覆蓋傳統(tǒng)GBM難以覆蓋的場(chǎng)景。

2. 引入自動(dòng)調(diào)參技術(shù)。用戶不需要手動(dòng)調(diào)參來確定效率最優(yōu)情況下的參數(shù)組合。

3. 針對(duì)GBM訓(xùn)練算法和FPGA本身架構(gòu)特點(diǎn)做了深入的流水線優(yōu)化，避免cache bank conflict，提升訪存效率。

在測(cè)試實(shí)驗(yàn)中(見上表)可以看到，不同場(chǎng)景的加速比從4.0x到26x不等，而平均加速比達(dá)到了12.5x。其中，互聯(lián)網(wǎng)廣告點(diǎn)擊率預(yù)測(cè)是一個(gè)典型的高維稀疏離散計(jì)算場(chǎng)景;該場(chǎng)景中存在大量離散特征，例如A用戶是否購買X商品，B用戶是否收藏Y商品;海量用戶與海量行為的交叉形成了超高維，例如千萬用戶與上百種行為交叉產(chǎn)生數(shù)十億維。在該場(chǎng)景下，F(xiàn)lashGBM的加速高達(dá)26倍。

FlashGBM通過PCIe從宿主機(jī)拿到數(shù)據(jù)，傳遞給計(jì)算核心，計(jì)算核心通過和板載內(nèi)存交互來計(jì)算GBM的統(tǒng)計(jì)直方圖，并將結(jié)果送回宿主機(jī)內(nèi)存。

第四范式XGBoost++：從XGBoost一鍵切換至FlashGBM高性能模式

XGBoost是Gradient Boosting的一種高效系統(tǒng)實(shí)現(xiàn)，作為開源系統(tǒng), XGBoost的社區(qū)很活躍，被廣泛使用。第四范式XGBoost++在FlashGBM底層框架上實(shí)現(xiàn)了與XGBoost兼容的接口。數(shù)據(jù)科學(xué)家可以零學(xué)習(xí)成本地切換到高性能FlashGBM模式，享受FPGA帶來的異構(gòu)加速優(yōu)勢(shì)。

第四范式pyGDBT：打造易用的高維分布式機(jī)器學(xué)習(xí)框架

GDBT是第四范式自主研發(fā)的超大規(guī)模分布式機(jī)器學(xué)習(xí)框架，設(shè)計(jì)初衷是打造專門為分布式大規(guī)模機(jī)器學(xué)習(xí)設(shè)計(jì)的計(jì)算框架，兼顧開發(fā)效率和運(yùn)行效率。相比主流開源架構(gòu)，GBM在高維場(chǎng)景有百倍以上優(yōu)勢(shì)。即將發(fā)布的第四范式pyGDBT面向AI科學(xué)家的使用習(xí)慣，對(duì)GDBT進(jìn)行了進(jìn)一步整合和優(yōu)化，在建模效率、模型維度與效果、性能、易用性等幾個(gè)方面進(jìn)行了升級(jí)：

1) 高效率: 針對(duì)反復(fù)調(diào)參調(diào)研的高成本，通過智能調(diào)參加速機(jī)制降低特征、模型調(diào)研周期。

2) 模型維度與效果: 通過集群計(jì)算框架和分布式訓(xùn)練算法支持海量數(shù)據(jù)與高維模型，提升模型表達(dá)能力與效果。

3) 高性能：結(jié)合FlashGBM底層計(jì)算框架，提供了異構(gòu)加速能力。

4) 易用性：提供了近似scikit-learn的python使用接口，AI建模人員可以快速實(shí)現(xiàn)代碼遷移和使用。

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。