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