多 GPU 加速学习，这是一份崭新的 XGBoost 库

梯度提升是一种可以获得当前最佳性能的监督学习方法，它在分类、回归和排序方面有很好的表现。XGBoost是一般化梯度提升算法的实现，它在多核和分布式机器上有着高度优化的实现，且能处理稀疏数据。怀卡托大学和英伟达在这一篇论文中描述了标准XGBoost库的扩展，它支持多 GPU 的执行，并能显著地减少大规模任务的运行时间。本论文提出的扩展是原版 GPU 加速算法的新进展，它展现出拥有更快速和更高内存效率的策树算法。该算法基于特征分位数（feature quantiles）和梯度提升树其它部分的并行化算法。作者们在 GPU 上实现决策树构建、分位数生成、预测和梯度计算算法，并端到端地加速梯度提升流程。这一过程使得XGBoost库可以利用显著提升的内存带宽和大规模并行化 GPU 系统集群。

作者实现的 GPU 加速扩展现在已经可以在标准XGBoostAPI 中进行获取，我们只需要编译为 GPU 版本就行了。该 GPU 加速版本目前可用于 C++、Python、R 和 Java，并支持所有XGBoost的学习任务，如回归、分类、多类别分类和排序等。这一实现目前支持 Windows 系统与 Linux 系统，且与原版XGBoost算法一样支持稀疏输入数据。

XGBoost项目地址：https://github.com/dmlc/xgboost

论文：XGBoost: Scalable GPU Accelerated Learning 

论文地址：https://arxiv.org/abs/1806.11248

我们于本论文中描述了在XGBoost库中实现的多 GPU梯度提升算法。我们的算法允许使用多 GPU 系统实现快速、可扩展的训练，并且支持XGBoost的所有特征。我们使用数据压缩技术以最大限度降低 GPU 显存的占用，但仍然允许高效地实现。根据算法性能，我们可以在公有云计算实例上三分钟内处理 1.15 个训练样本。该算法使用端到端的 GPU 并行算法实现，其中预测、梯度计算、特征量化、决策树构建和评估阶段都在本地进行。

2. 描述

监督梯度提升将标注的训练数据集作为输入，并反复定义一系列树来渐进改善目标函数的准确率。图一在更抽象层面上展示了这一过程，我们在一个或者多个 GPU 上实现了这些重要的运算。

图 1：梯度提升流程

3. 评估

我们把最新的实现与XGBoost的两个主要对手：LightGBM 与 CatBoost 做了对比，它们都是用多核 CPU 和 GPU 训练实现。评估是在带有 8 块 Tesla V100 GPU 和 64 个 CPU 计算核心的云上完成的。

复现参数与基准请查看：https://github.com/RAMitchell/GBM-Benchmarks

图 2：XGBoost在 Airline 数据集上的运行时间：1-8 块 V100 GPU。

表 1 ：数据集

表 2：评估结果

在 6 种数据集中，我们的算法（xgb-gpu-hist）在其中 3 种数据上是最快的，在两种数据集上是最准确的。例如在最大的数据集（1.15 亿条数据）上，我们的算法要比其它算法快了 3 倍。在任意数据集上，它的运行时间都不会超过 2 分钟。图 2 展示了在 airline 数据集上加上额外 GPU 的运行时间。通过在 8 块 GPU 上作压缩与分布式训练，每块 GPU 只需要 600MB 来存储整个矩阵。

相关数据

推荐文章