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
Keevx
AI数字人视频创作平台
Keevx 一款开箱即用的AI数字人视频创作平台，广泛适用于电商广告、企业培训与社媒宣传，让全球企业与个人创作者无需拍摄剪辑，就能快速生成多语言、高质量的专业视频。
即梦AI
一站式AI创作平台
提供 AI 驱动的图片、视频生成及数字人等功能，助力创意创作
扣子-AI办公
AI办公助手，复杂任务高效处理
AI办公助手，复杂任务高效处理。办公效率低？扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作，覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应，生活工作无缝切换，提升50%效率！
TRAE编程
AI辅助编程，代码自动修复
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。
蛙蛙写作
AI小说写作助手，一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
问小白
全能AI智能助手，随时解答生活与工作的多样问题
问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。
Transly
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。
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。
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