2-2000x更快的算法，减少50％的内存使用情况，可用于所有硬件 - 新的和旧的。
如果您想使用快速算法合作 - msg me！加入我们的Discord服务器以更快地制作AI，或者您只是想谈论AI！ https://discord.gg/unsloth
Unsploth网站
文档
50页现代大数据算法PDF
HyperLearn的算法，方法和回购已在5篇研究论文中得到或提及！
+ Microsoft, UW, UC Berkeley, Greece, NVIDIA
- 微软：Yu等。使古典机器学习管道可区分http://learningsys.org/nips18/assets/papers/45camerareadysubmissionfinetune.pdf
- 华盛顿大学：Ariel Rokem，Kendrick Kay。分数山脊回归：山脊回归的快速，可解释的重新聚集化https://arxiv.org/abs/2005.03220
- 国家科学研究中心“ Demokritos”，希腊：克里斯托斯·柏拉图，乔治奥斯·佩塔西斯。数据插补的机器学习方法的比较https://dl.acm.org/doi/10.1145/3411408.3411465
- 加州大学伯克利分校大卫·陈。 GPU加速t-Distrib的随机邻居嵌入https://digitalassets.lib.berkeley.edu/techreports/ucb/ucb/incoming/eecs-2020-89.pdf （在NVIDIA RAPIDS TSNE中融合到Nvidia rappeds）
- Nvidia ：Raschka等。急流：Python中的机器学习：数据科学，机器学习和人工智能的主要发展和技术趋势
Hyperlearn的方法和算法已纳入了6个以上的组织和存储库中！
+ NASA + Facebook's Pytorch, Scipy, Cupy, NVIDIA, UNSW
- Facebook的Pytorch ：SVD非常慢，凝胶给Nans，-inf＃11174 pytorch/pytorch＃11174
- Scipy ：Eigh非常非常慢 - >建议一个简单的修复＃9212 Scipy/Scipy＃9212
- CUPY ：制作SVD覆盖临时阵列x cupy/cupy＃2277
- NVIDIA ：加速与GPU一起加速TSNE：从小时到秒https://medium.com/rapids-ai/tsne-with-gpus-hours-hours-to-seconds-seconds-9d9c941db
- UNSW Abdussalam等。社交媒体图像和销售性能中的大型SKU级产品检测https://www.abstractsonline.com/pp8/# ！/9305/presentation/465
在HyperLearn的开发过程中，通知GCC的错误和问题！
- GCC 10忽略函数属性优化所有X86以来，自R11-1019 https://gcc.gnu.org/bugzilla/show_bug.cgi?id=96535
- 矢量扩展对齐（1）不生成不规则的负载/商店https://gcc.gnu.org/bugzilla/show_bug.cgi?id=98317
- gcc> = 6不能在sse目标上直列_mm_cmp_ps https://gcc.gnu.org/bugzilla/show_bug.cgi?id=98387
- GCC 10.2 AVX512蒙版回归来自GCC 9 https://gcc.gnu.org/bugzilla/show_bug.cgi?id=98348
HyperLearn完全写在Pytorch，Nogil Numba，Numpy，Pandas，Scipy＆Lapack，C ++，C，Python，Cython，Cython和Assembly以及镜子（主要是）Scikit学习。 HyperLearn还具有嵌入的统计推断指标，并且可以像Scikit Learn的语法一样称为。
Hyperlearn的一些关键当前成就：
- 比Sklearn + 50％的记忆使用量减少70％的时间最小二乘 /线性回归的时间
- 由于新的并行算法，与Sklearn相比，适合非矩阵分解的时间少50％
- 40％更快的全欧盟 /余弦距离算法
- 减少50％的时间LSMR迭代最小二乘
- 新的重建SVD-使用SVD将缺失的数据归为丢失！具有.fit和.transform。比平均插补大约30％
- 50％加快稀疏基质操作 - 并行
- 随机SVD现在快20-30％
速度 /内存的比较
| 算法 | n | p | 时间 | | RAM（MB） | | 笔记 |
|---|
| | | Sklearn | 超清除 | Sklearn | 超清除 | |
| QDA（Quad dis a） | 1000000 | 100 | 54.2 | 22.25 | 2,700 | 1200 | 现在并行 |
| 线性回归 | 1000000 | 100 | 5.81 | 0.381 | 700 | 10 | 保证稳定和快速 |
时间 +预测时间。 RAM（MB）= Max（RAM（fit），RAM（预测））
我还为n = 5000，p = 6000添加了一些初步结果
确实需要帮助！给我发消息！
关键方法和目的
1。尴尬地平行于循环
2。50％+更快，50％+瘦
3。为什么StatsModels有时会难以忍受？
4。使用Pytorch模块的深度学习下降
5。20％+更少的代码，更清洁的清除代码
6。访问旧且令人兴奋的新算法
1。尴尬地平行于循环
- 包括内存共享，内存管理
- 通过pytorch＆numba的cuda并行性
2。50％+更快，50％+瘦
- 矩阵乘法排序：https：//en.wikipedia.org/wiki/matrix_chain_multiplication
- 元素明智的矩阵乘法将复杂性从O（n^3）降低至O（n^2）：https：//en.wikipedia.org/wiki/hadamard_product_(matrices）
- 将矩阵操作简化为爱因斯坦符号：https：//en.wikipedia.org/wiki/einstein_notation
- 连续评估一次性矩阵操作，以减少RAM开销。
- 如果p >> n，则可能分解XT比X好。
- 在某些情况下，应用QR分解然后SVD可能会更快。
- 利用矩阵的结构来更快地计算逆逆（例如三角矩阵，Hermitian矩阵）。
- 计算SVD（x）然后获得PINV（x）有时比纯PINV（x）快得多
3。为什么StatsModels有时会难以忍受？
- 优化了置信度，预测间隔，假设检验和线性模型的拟合测试优点。
- 在可能的情况下，使用爱因斯坦符号和哈达马产品。
- 仅计算计算的必要条件（矩阵的对角线，而不是整个矩阵）。
- 在符号，速度，内存问题和变量存储上固定统计模型的缺陷。
4。使用Pytorch模块的深度学习下降
- 使用pytorch创建Scikit-Learn，例如替换中的滴滴。
5。20％+更少的代码，更清洁的清除代码
- 尽可能使用装饰师和功能。
- 直观的中级函数名称，例如（ISTENSOR，同级）。
- 轻松通过超核能处理并行性。
6。访问旧且令人兴奋的新算法
- 矩阵完成算法 - 非负最小二乘，NNMF
- 批量相似性潜在dirichelt分配（BS-LDA）
- 相关回归
- 可行的概括最小二乘FGL
- 离群耐受回归
- 多维样条回归
- 广义小鼠（替换中的任何模型下降）
- 使用Uber的Pyro进行贝叶斯深度学习
额外的许可条款
- 采用Apache 2.0许可证。
