基于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是一個基于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。

專為大數據而設計，HyperLearn可以使用50％以下的內存，并在某些模塊上運行速度提高50％以上。將支持GPU，并且所有模塊都是并行化的。

項目作者DanielHan-Chen，畢業于澳大利亞新南威爾士大學，專注于AI、NLP和無監督機器學習的推薦和匹配算法。

基于HyperLearn，作者展示了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/線性回歸的擬合時間相比sklearn減少70%，內存使用減少50%

由于新的并行算法，非負矩陣分解的擬合時間相比sklearn減少50%

Euclidean算法/余弦相似度算法加快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％——并行化

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

并且，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：即將發布

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、線性回歸、嶺回歸、QDA、LDA、LSI、推薦系統、壓縮算法、L2 distance等多種算法聯系在一起，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

令人尷尬的并行循環

速度提升50％+，精簡50％+

為什么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. 令人尷尬的并行循環

包括內存共享，內存管理

通過PyTorch和Numba的CUDA并行性

2. 50%+ Faster, 50%+ Leaner

矩陣乘法排序：

https://en.wikipedia.org/wiki/Matrix_chain_multiplication

Element Wise矩陣乘法將復雜度從O(n^3)降低到O(n^2)：https://en.wikipedia.org/wiki/Hadamard_product_(matrices)

將矩陣運算簡化為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優于分解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)，然后獲得pinv(X) ，有時比單純計算pinv(X)更快

3. 為什么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。

盡可能使用 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

盡可能使用 Decorators和Functions。

直觀的中層函數名稱，如（isTensor，isIterable）。

通過hyperlearn.multiprocessing輕松處理并行

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布（BS-LDA）

相關回歸（Correlation Regression）

可行的廣義最小二乘法FGLS

Outlier Tolerant Regression

多維樣條回歸（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