svm分类器_GPU加速SVM：用RAPIDS cuML将支撑向量分类加速500倍

01

想了解更多好玩的人工智能应用，请关注公众号“机器AI学习 数据AI挖掘”，”智能应用"菜单中包括：颜值检测、植物花卉识别、文字识别、人脸美妆等有趣的智能应用。。

支持向量机(SVM)是可用于分类和回归的监督学习方法。在本文中，我们将讨论如何在RAPIDS cuML中使用SVM软件包在  GPU  上执行快速支持向量分类。一些数据科学家回避尝试使用SVM，因为它们的运行时复杂性在样本数量上呈二次增长，并且在CPU上可能变得相当慢。相对于scikit-learning SVM  ，cuML SVM可以提供500倍的加速，  比 CPU上的多线程ThunderSVM库快50倍  。使用GPU加速版本，大型SVM变得非常实用，并且可以在几分钟内进行百万个示例的培训。

我们将首先简要概述SVM，然后演示如何使用cuML SVM。之后，我们提出基准以证明其性能。最后，我们将解释如何在cuML中实施培训。

支持向量分类

SVM是灵活的分类器，它基于大余量分类器 的思想  与  内核技巧的结合  ，建立了  稀疏的ML模型。尽管这本身就是一个很漂亮的话题，但我们将不涉及SVM的理论。有兴趣的读者可以参考Bishop的  教科书  或Cortes和Vapnik的原始论文  。也有一些博客文章  介绍了SVM。

在一个简单的示例中，很容易直观地了解SVM的功能。下图显示了具有两个类别的2D数据集，分别标记为+1和-1(蓝色和橙色点)。线性SVM将用直线分隔数据集，选择该直线以使其与任何数据点的距离最大。分隔符左侧的点分类为+1，而右侧的点分类为-1。重要的是要注意，我们仅需要从数据集中定义分隔线的几个样本：最靠近分隔符(x 1，x 2，x 3)的样本。这些是支持向量。分隔符的法线向量(w)可以表示为这些向量的线性组合。