在測(cè)試實(shí)驗(yàn)中（見(jiàn)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(hù)是否購(gòu)買(mǎi)X商品，B用戶(hù)是否收藏Y商品；海量用戶(hù)與海量行為的交叉形成了超高維，例如千萬(wàn)用戶(hù)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(guò)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(guò)和板載內(nèi)存交互來(lái)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(kāi)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(lái)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(zhuān)門(mén)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(kāi)發(fā)效率和運(yùn)行效率。相比主流開(kāi)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(guò)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(guò)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。

Fred

baiyan