数据孤岛难倒AI落地金融业？微众****用联邦学习和GPU这样破局

如果计算和通信能力不足，算法性能就会损失，那么，微众是怎么考量加速计算的基础架构，来支撑暴涨的计算和通信需求呢？

我们先来看看联邦学习算法的几个特点：

（1）计算高度并行：数据密态计算，不同数据计算互不影响；

（2）重复轻量级运算：计算公式不复杂，但重复执行次数巨大；

（3）计算密集型任务：数据I/O时间不到计算时间的0.1%；

（4）批量大数据：数据批量产生，并且数据量巨大。

这些特性，均与擅长多线程并行计算的GPU相当契合。

但只关注加速方案的性能还不够，操作灵活性、便利性和稳定性同样需要考量。

通常企业选择基础架构有两种方式，本地部署或私有云服务对数据安全的把控度更高，而云端服务可缩短开发周期、弹性配置计算资源、降低初期启动成本。

微众联邦学习目前采用的方案，是通过腾讯云平台基于NVIDIA Tesla V100 GPU，结合GPU高速互联技术NVLink，来加速联邦学习计算任务。

“联邦学习对算力要求高，只要硬件方案价格合理，能满足对加速任务的需求，我们都愿意尝试。”黄启军说。

在他看来，NVIDIA V100已经是非常成熟的方案，使用效果相当不错。经测试，相比使用单个英特尔至强6100系列CPU，使用1台8卡GPU服务器可以替换20台以上CPU服务器。

不仅如此，黄启军表示，NVIDIA的软件对微众联邦学习同样有很大帮助。

NVIDIA软件平台提供了丰富的机器学习和深度学习开源库。在研究联邦学习期间，黄启军他们曾重点参考过NVIDIA实验室中主要做大数运算的CGBN库。

（编辑：555手机网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!