來源：github.com
作者：Daniel Han-Chen 編譯：肖琴
【新智元導讀】基於PyTorch重寫的機器學習工具包HyperLearn，速度更快、內存使用更少，效率提高了一倍。
HyperLearn是一個基於PyTorch重寫的機器學習工具包Scikit Learn，它的一些模塊速度更快、需要內存更少，效率提高了一倍。
專爲大數據而設計，HyperLearn可以使用50％以下的內存，並在某些模塊上運行速度提高50％以上。將支持GPU，並且所有模塊都是並行化的。
項目作者Daniel Han-Chen，畢業於澳大利亞新南威爾士大學，專注於AI、NLP和無監督機器學習的推薦和匹配算法。
基於HyperLearn，作者展示瞭如何讓很多機器學習算法更快、更高效。
其中一些很酷的算法：
- 最小二乘法/線性迴歸的擬合時間相比sklearn減少70%，內存使用減少50%
- 由於新的並行算法，非負矩陣分解的擬合時間相比sklearn減少50%
- Euclidean算法/餘弦相似度算法加快40%
- LSMR迭代最小二乘法時間減少50%
- 新的Reconstruction SVD算法——使用SVD來估算丟失的數據，比mean imputation方法好約30% 稀疏矩陣運算速度提高50％——並行化
- RandomizedSVD，速度加快20%~30%
- New Incremental SVD和Incremental Eig，RandomizedSVD / Truncated SVD
- 等等
項目地址：
https://github.com/danielhanchen/hyperlearn
並且，作者寫了一本電子書：Modern Big Data Algorithms，介紹了12個新算法以及一些更新的算法：
紅色：新算法；綠色：更新的算法；藍色：即將發佈
讓我們先大致看一下“奇異值分解”（SVD）這一章，這是最重要的算法之一。SVD將PCA、線性迴歸、嶺迴歸、QDA、LDA、LSI、推薦系統、壓縮算法、L2 distance等多種算法聯繫在一起，可以說是機器學習中最重要的算法了。
Page on SVD
Page on Reconstruction SVD
Using SVD to reconstruct missing data
提速50%+，RAM使用減少50%+
提速50%+，RAM使用減少50%+，GPU支持的重寫Sklearn，使用Statsmodels組合新的算法。
HyperLearn完全用PyTorch, NoGil Numba, Numpy, panda, Scipy 和 LAPACK編寫，鏡像主要是Scikit Learn。HyperLearn還嵌入了統計推斷方法，可以被想Scikit Learn語法(model.confidence_interval_)一樣調用。
速度/內存的比較
時間表示Fit + Predict的時間。RAM(mb) = max( RAM(Fit), RAM(Predict) )
以下是N = 5000，P = 6000時的初步結果：
關鍵方法和目標
- 令人尷尬的並行循環
- 速度提升50％+，精簡50％+
- 爲什麼Statsmodels有時會慢得讓人無法忍受？
- 使用PyTorch的深度學習模塊
- 代碼量減少20％+，更清晰的代碼
- 訪問舊算法和令人興奮的新算法
1. 令人尷尬的並行循環
- 包括內存共享，內存管理
- 通過PyTorch和Numba的CUDA並行性
2. 50%+ Faster, 50%+ Leaner
- 矩陣乘法排序： https://en.wikipedia.org/wiki/Matrix_chain_multiplication
- Element Wise矩陣乘法將複雜度從O(n^3)降低到O(n^2)：https://en.wikipedia.org/wiki/Hadamard_product_(matrices)
- 將矩陣運算簡化爲Einstein Notation：https://en.wikipedia.org/wiki/Einstein_notation
- 連續評估一次性矩陣操作以減少RAM開銷。
- 如果p >> n，則可能分解X.T優於分解X.
- 在某些情況下，應用QR分解SVD可能會更快。
- 利用矩陣的結構來計算更快（例如三角矩陣，Hermitian矩陣）。
- 計算 SVD(X)，然後獲得pinv(X) ，有時比單純計算pinv(X)更快
3. 爲什麼Statsmodels有時會慢得讓人無法忍受?
- 對線性模型的置信度、預測區間，假設檢驗和擬合優度檢驗進行了優化。
- 儘可能使用 Einstein Notation和Hadamard Products。
- 僅計算需要計算的內容（計算矩陣對角線，而不是整個矩陣）。
- 修復Statsmodels在符號、速度、內存方面的問題和變量存儲上的缺陷。
4. 使用PyTorch的深度學習模塊
- 使用PyTorch創建Scikit-Learn
5. 代碼量減少20％+，更清晰的代碼
- 儘可能使用 Decorators和Functions。
- 直觀的中層函數名稱，如（isTensor，isIterable）。
- 通過hyperlearn.multiprocessing輕鬆處理並行
6. 訪問舊算法和令人興奮的新算法
- 矩陣補全算法——非負最小二乘法，NNMF
- 批相似性隱含狄利克雷分佈（BS-LDA）
- 相關回歸（Correlation Regression）
- 可行的廣義最小二乘法FGLS
- Outlier Tolerant Regression
- 多維樣條迴歸（Multidimensional Spline Regression）
- 廣義MICE
- 使用Uber的Pyro進行貝葉斯深度學習
《現代大數據算法》電子書下載地址：
https://github.com/danielhanchen/hyperlearn/blob/master/Modern%20Big%20Data%20Algorithms.pdf