【技术实现步骤摘要】
硬件XGBoost模型的构建方法及基于硬件XGBoost模型的数据预测方法
[0001]本专利技术涉及集成电路设计
,尤其涉及到一种硬件
XGBoost
模型的构建方法及基于硬件
XGBoost
模型的数据预测方法
。
技术介绍
[0002]XGBoost
是一种基于决策树的集成机器学习算法,它在大规模数据集上表现出了高效率和准确性的优点
。
然而,由于
XGBoost
需要进行大量的计算,这限制了其在实时性和低延迟方面的应用
。
为了解决这个问题,研究人员提出了对
XGBoost
进行硬件优化加速的方案
。
[0003]在
XGBoost
算法硬件优化加速时,常见的方法包括使用
SIMD
指令集优化计算
、
使用
GPU
加速计算等等
。
其中使用
SIMD
指令集优化计算时,需要保证数据的连续性,即要求数据在内存中是按照一定的顺序排列的,这对于不规则的数据结构会带来一定的挑战;使用
GPU
加速计算时,需要将数据从主机内存传输到
GPU
设备内存,这个过程需要一定的时间和带宽,如果数据量较小,这种数据传输的开销可能会抵消
GPU
的计算优势
。
此外,
GPU
加速计算也需要考虑到线程同步和数据一致性等问题, ...
【技术保护点】
【技术特征摘要】
1.
一种硬件
XGBoost
模型的构建方法,其特征在于,包括如下步骤:根据待构建
XGBoost
决策树的深度和硬件处理器内硬件子模块可执行的最大判断节点层数,确定参与所述决策树构建的硬件子模块的数量以及每个所述硬件子模块对应的子决策树中的判断节点层数;构建各个所述硬件子模块内的子决策树;构建各个所述硬件子模块之间的信号传递链路,以使各个所述硬件子模块依次通过使能信号传递特征向量直至最后一个所述硬件子模块,完成
XGBoost
决策树的构建;最后一个所述硬件子模块中的子决策树为具有所述最大判断节点层数且包含所有枝干和叶子节点的通用树
。2.
根据权利要求1所述的硬件
XGBoost
模型的构建方法,其特征在于,所述构建各个所述硬件子模块内的子决策树的步骤之前,还包括如下步骤:对应于所述最大判断节点层数的所有类型的决策树,进行硬件处理器中的头文件的编写;所述头文件内包含若干个
function
函数,每一个
function
函数对应一种决策树类型;所述构建各个所述硬件子模块内的子决策树的步骤,具体包括:调用所述头文件中的
function
函数构建各个所述硬件子模块内的子决策树
。3.
根据权利要求2所述的硬件
XGBoost
模型的构建方法,其特征在于,所述硬件处理...
【专利技术属性】
技术研发人员:曾琳,梁志远,朱家鑫,尚禹宏,兰军,何滇,张野,宋子奇,查梦凡,
申请(专利权)人:西安电子科技大学芜湖研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。