XGBoost: Scalable GPU Accelerated Learning （XGBoost：可扩展的GPU加速学习）

最新推荐文章于 2025-07-01 00:15:00 发布

Adam婷

最新推荐文章于 2025-07-01 00:15:00 发布

阅读量859

点赞数

CC 4.0 BY-SA版权

分类专栏： XGBoost算法论文研读机器学习算法 AI程序员数据科学

本文链接：https://blog.youkuaiyun.com/weixin_41697507/article/details/96106026

AI程序员同时被 3 个专栏收录

166 篇文章 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

机器学习

161 篇文章 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

算法

161 篇文章

订阅专栏

本文介绍了XGBoost库中的多GPU梯度增强算法，它实现了快速、可扩展的训练，显著减少了大规模问题的运行时间。通过数据压缩和端到端的GPU并行性，该算法能够在三分钟内在GPU上处理1.15亿训练实例。算法包括特征分位数生成、数据压缩、决策树构造、预测和梯度计算等步骤，所有这些都在GPU上执行，提高了整体性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

XGBoost: Scalable GPU Accelerated Learning

Abstract

We describe the multi-GPU gradient boosting algorithm implemented in the XGBoost library1. Our algorithm allows fast, scalable training on multi-GPU systems with all of the features of the XGBoost library. We employ data compression techniques to minimise the usage of scarce GPU memory while still allowing highly eﬃcient implementation. Using our algorithm we show that it is possible to process 115 million training instances in under three minutes on a publicly available cloud computing instance. The algorithm is implemented using end-to-end GPU parallelism, with prediction, gradient calculation, feature quantisation, decision tree constr

了解本专栏