在測試實驗中（見上表）可以看到，不同場景的加速比從4.0x到26x不等，而平均加速比達到了12.5x。其中，互聯(lián)網(wǎng)廣告點擊率預(yù)測是一個典型的高維稀疏離散計算場景；該場景中存在大量離散特征，例如A用戶是否購買X商品，B用戶是否收藏Y商品；海量用戶與海量行為的交叉形成了超高維，例如千萬用戶與上百種行為交叉產(chǎn)生數(shù)十億維。在該場景下，F(xiàn)lashGBM的加速高達26倍。
FlashGBM通過PCIe從宿主機拿到數(shù)據(jù)，傳遞給計算核心，計算核心通過和板載內(nèi)存交互來計算GBM的統(tǒng)計直方圖，并將結(jié)果送回宿主機內(nèi)存。
第四范式XGBoost++：從XGBoost一鍵切換至FlashGBM高性能模式
XGBoost是Gradient Boosting的一種高效系統(tǒng)實現(xiàn)，作為開源系統(tǒng), XGBoost的社區(qū)很活躍，被廣泛使用。第四范式XGBoost++在FlashGBM底層框架上實現(xiàn)了與XGBoost兼容的接口。數(shù)據(jù)科學(xué)家可以零學(xué)習(xí)成本地切換到高性能FlashGBM模式，享受FPGA帶來的異構(gòu)加速優(yōu)勢。
第四范式pyGDBT：打造易用的高維分布式機器學(xué)習(xí)框架
GDBT是第四范式自主研發(fā)的超大規(guī)模分布式機器學(xué)習(xí)框架，設(shè)計初衷是打造專門為分布式大規(guī)模機器學(xué)習(xí)設(shè)計的計算框架，兼顧開發(fā)效率和運行效率。相比主流開源架構(gòu)，GBM在高維場景有百倍以上優(yōu)勢。即將發(fā)布的第四范式pyGDBT面向AI科學(xué)家的使用習(xí)慣，對GDBT進行了進一步整合和優(yōu)化，在建模效率、模型維度與效果、性能、易用性等幾個方面進行了升級：
1) 高效率: 針對反復(fù)調(diào)參調(diào)研的高成本，通過智能調(diào)參加速機制降低特征、模型調(diào)研周期。
2) 模型維度與效果: 通過集群計算框架和分布式訓(xùn)練算法支持海量數(shù)據(jù)與高維模型，提升模型表達能力與效果。
3) 高性能：結(jié)合FlashGBM底層計算框架，提供了異構(gòu)加速能力。
4) 易用性：提供了近似scikit-learn的python使用接口，AI建模人員可以快速實現(xiàn)代碼遷移和使用。
