thundersvm
GPU加速的开源支持向量机库
ThunderSVM是一个开源的支持向量机库，通过GPU和多核CPU加速计算，显著提高SVM训练效率。该库实现了LibSVM的全部功能，支持一类SVM、SVC、SVR和概率SVM等多种模型。ThunderSVM提供Python、R、Matlab和Ruby等多种编程语言接口，跨平台兼容Linux、Windows和MacOS。采用与LibSVM一致的命令行参数，便于用户快速上手。作为高效的SVM实现，ThunderSVM为数据科学家和机器学习研究者提供了强大的工具支持。在某些大规模数据集上，ThunderSVM相比传统SVM实现可实现10-100倍的加速，已被多个知名机器学习项目采用。
最新动态
- 我们最近发布了ThunderGBM，这是一个在GPU上运行的快速GBDT和随机森林库。
- 添加了scikit-learn接口，详见这里
概述
ThunderSVM的使命是帮助用户轻松高效地应用SVM解决问题。ThunderSVM利用GPU和多核CPU来实现高效率。ThunderSVM的主要特点如下：
- 支持LibSVM的所有功能，如一类SVM、SVC、SVR和概率SVM。
- 使用与LibSVM相同的命令行选项。
- 支持Python、R、Matlab和Ruby接口。
- 支持的操作系统：Linux、Windows和MacOS。
为什么加速SVM：Kaggle在2017年进行的一项调查显示，26%的数据挖掘和机器学习从业者是SVM的用户。
文档 | 安装 | API参考（doxygen）
目录
入门
先决条件
- cmake 2.8或更高版本
- Linux和MacOS需要gcc 4.8或更高版本
- Windows需要Visual C++
如果您想使用GPU，还需要安装CUDA。
- CUDA 7.5或更高版本
快速安装
下载Python wheel文件（适用于Python3或更高版本）。
-
Linux系统
-
对于CUDA 9.0 - linux_x86_64，运行
pip install thundersvm
-
-
Windows系统（64位）
安装Python wheel文件。
pip install thundersvm-cu90-0.2.0-py3-none-linux_x86_64.whl
示例
from thundersvm import SVC clf = SVC() clf.fit(x, y)
下载
git clone https://github.com/Xtra-Computing/thundersvm.git
在Linux上构建（MacOS和Windows的构建说明）
GPU版ThunderSVM
cd thundersvm mkdir build && cd build && cmake .. && make -j
如果遇到可追溯到gcc版 本的问题，请使用带版本标志的cmake强制使用gcc 6。命令如下：
cmake -DCMAKE_C_COMPILER=gcc-6 -DCMAKE_CXX_COMPILER=g++-6 ..
CPU版ThunderSVM
# 在thundersvm根目录下 git submodule init eigen && git submodule update mkdir build && cd build && cmake -DUSE_CUDA=OFF .. && make -j
如果make -j不起作用，请直接使用make。可以通过-o选项指定要使用的CPU核心数（例如，-o 10），更多信息请参考参数。
快速开始
./bin/thundersvm-train -c 100 -g 0.5 ../dataset/test_dataset.txt ./bin/thundersvm-predict ../dataset/test_dataset.txt test_dataset.txt.model test_dataset.predict
成功运行后，您将看到Accuracy = 0.98。
如何引用ThunderSVM
如果您在论文中使用了ThunderSVM，请引用我们的工作（完整版）。
@article{wenthundersvm18,
author = {Wen, Zeyi and Shi, Jiashuai and Li, Qinbin and He, Bingsheng and Chen, Jian},
title = {{ThunderSVM}: A Fast {SVM} Library on {GPUs} and {CPUs}},
journal = {Journal of Machine Learning Research},
volume={19},
pages={797--801},
year = {2018}
}
其他出版物
- Zeyi Wen，Jiashuai Shi，Bingsheng He，Yawen Chen和Jian Chen。GPU上高效的多类概率SVM。IEEE知识与数据工程汇刊（TKDE），2018年。
- Zeyi Wen，Bingsheng He，Kotagiri Ramamohanarao，Shengliang Lu和Jiashuai Shi。GPU上高效的梯度提升决策树训练。第32届IEEE国际并行与分布式处理研讨会（IPDPS），234-243页，2018年。
- Borui Xu，Zeyi Wen，Lifeng Yan，Zhan Zhao，Zekun Yin，Weiguo Liu，Bingsheng He。利用数据密度和稀疏性实现GPU上高效的SVM训练。第23届IEEE国际数据挖掘会议（ICDM），2023年。
相关网站
致谢
- 我们感谢NVIDIA的硬件捐赠。
- 本项目由新加坡国立大学主持，与华南理工大学陈键教授合作。项目的初始工作是在Zeyi Wen在墨尔本大学工作期间完成的。
- 本工作部分得到新加坡教育部学术研究基金一级资助（T1 251RES1610）的支持。
- 我们还感谢LibSVM和OHD-SVM的作者，他们的工作启发了我们的算法设计。
使用ThunderSVM的精选项目
[1] 场景图用于可解释的视频异常分类（发表于NeurIPS18）
[2] 使用深度学习对高分辨率航空测量点云进行3D语义分割。（发表于ACM SIGSPATIAL国际地理信息系统进展会议，2018年）
[3] 机器学习模型在DDoS攻击检测中的性能比较。（发表于IEEE国际计算机科学与工程会议（ICSEC），2018年）
[4] 适应GPU以实现有效大批量训练的核机器。（arXiv预印本arXiv:1806.06144，2018年）
[5] 深度主动分类中的采样偏差：一项实证研究。（arXiv预印本arXiv:1909.09389，2019年）
[6] 基于知识蒸馏和贝叶斯优化的机器学习快速纸币序列号识别。（发表于传感器19.19:4218，2019年）
[7] 基于深度神经网络的无设备定位分类。（论文，会津大学，2019年）
[8] 使用卷积自编码器 进行准确和稳健的无设备定位方法。（发表于IEEE物联网期刊6.3:5825-5840，2019年）
[9] 在使用移动机械臂进行零件拾取的轨迹生成过程中考虑零件姿态估计的不确定性。（发表于IEEE国际机器人与自动化会议（ICRA），2019年）
[10] GPU代码的遗传改进。（发表于IEEE/ACM国际遗传改进研讨会（GI），2019年）ThunderSVM的源代码被用作基准。
[11] 动态多分辨率数据存储。（发表于IEEE/ACM国际微架构研讨会，2019年）ThunderSVM的源代码被用作基准。
[12] 用于蛋白质-蛋白质相互作用预测的GPU加速SVM超参数估计。（发表于IEEE国际大数据会议，2019年）
[13] 自动音乐流派分类的纹理选择。（发表于应用软计算，2020年）
[14] 演进交换架构以适应网络内智能。（发表于IEEE通信杂志58.1: 33-39，2020年）
[15] 基于块稀疏编码的机器学习方法，用于物联网环境中可靠的无设备定位。（发表于IEEE物联网期刊，2020年）
[16] 使用基于深度学习特征提取的半监督模型为IIoT网络提供自适应信任边界保护。（发表于IEEE工业信息学汇刊，2020年）
[17] GPU上多应用并发性能预测。（发表于IEEE国际系统与软件性能分析研讨会（ISPASS），2020年）
[18] Tensorsvm：使用张量引擎加速核机器。（发表于ACM国际超级计算会议（ICS），2020年）
[19] GEVO：使用进化计算优化GPU代码。（发表于ACM架构与代码优化汇刊（TACO），2020年）
[20] CRISPRpred（SEQ）：使用传统机器学习的基于序列的sgRNA靶向活性预测方法。（发表于BMC生物信息学，2020年）
[21] 使用门控递归神经网络预测气体浓度。（发表于IEEE国际人工智能电路与系统会议（AICAS），2020年）
[22] 为人类mRNA亚细胞定位预测设计强大的预测器。（发表于生物信息学简报，2021年）
编辑推荐精选
讯飞智文
一键生成PPT和Word，让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。
讯飞星火
深度推理能力全新升级，全面对标OpenAI o1
科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。
Spark-TTS
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。
Trae
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。
咔片PPT
AI助力，做PPT更简单！
咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。
讯飞绘文
选题、配图、成文，一站式创作，让内容运营更高效
讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播， 提升内容营销效果。
材料星
专业的AI公文写作平台，公文写作神器
AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。
openai-agents-python
OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。
Hunyuan3D-2
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。
3FS
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号