本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
就在刚刚，UC伯克利博士、新加坡国立大学校长青年教授尤洋发布最新消息——
斩获AAAI 2023杰出论文奖（Distinguished Paper）！
研究成果一次性将模型的训练速度，提升72倍。
甚至网友在拜读完论文之后发出感慨：
从12小时到10分钟，嫩牛（你们牛）啊！
尤洋博士曾在求学期间刷新ImageNet以及BERT训练速度的世界纪录。
他所设计的算法也是广泛应用于谷歌，微软，英特尔，英伟达等科技巨头。
现如今，已经回国创业潞晨科技一年半的他，带着团队又做出了怎样的算法，斩获AI顶会如此殊荣呢？
在这项研究中，尤洋团队提出了一种优化策略CowClip，能够加速CTR预测模型的大批量训练。
CTR（click-through rate）预测模型是个性化推荐场景下的一种常用算法。
它通常需要学习用户的反馈（点击、收藏、购买等），而每天在线产生的数据量又是空前庞大的。
因此，加快CTR预估模型的训练速度至关重要。
一般来说，提高训练速度会使用批量训练，不过批量太大会导致模型的准确度有所降低。
通过数学分析，团队证明了在扩大批次时，对于不常见特征的学习率（learning rate for infrequent features)不应该进行缩放。
通过他们提出的CowClip，可以简单有效扩展批大小。
通过在4个CTR预估模型和2个数据集上进行测试，团队成功将原始批大小扩大了128倍，并没有造成精度损失。
特别是在DeepFM上，通过将批大小从1K扩大到128K，CowClip实现了AUC超过0.1%的改进。
并在单块V100 GPU上，将训练时长从原本的12小时，缩短至只需10分钟，训练提速72倍。
目前，项目代码已开源。团队表示该算法也适用于NLP等任务。
本文的一作是尤洋的博士生郑奘巍，本科毕业于南京大学计算机精英班，博士毕业于新加坡国立大学。
其研究方向包括机器学习、计算机视觉和高性能计算。
以上是尤洋团队在AAAI 2023杰出论文奖中获得新成果，使用单块V100训练模型的速度提高了72倍的详细内容。更多信息请关注PHP中文网其他相关文章！
