uxlfoundation/oneDAL

해결하는 문제

테이블 데이터에 대해 고성능 가속 머신러닝 루틴을 제공하여 선형 회귀, K-means 클러스터링, 랜덤 포레스트와 같은 일반적인 데이터 과학 작업에 필요한 계산 시간을 단축합니다.

작동 방식

C++ 및 DPC++로 작성된 이 라이브러리는 하드웨어별 최적화를 활용합니다. CPU의 경우 SIMD 명령 및 캐시 구조 활용을 사용하며, GPU 가속을 위해 SYCL 프레임워크와 oneMKL 라이브러리를 사용합니다. 또한 여러 머신에 걸쳐 성능을 확장하기 위한 멀티 노드 분산 설정을 지원합니다.

대상

ML 워크플로를 가속화해야 하는 데이터 과학자 및 소프트웨어 엔지니어, 특히 C++ 또는 Python(scikit-learn 확장 기능 사용)을 사용하는 사용자.

주요 특징

• 테이블 데이터용 가속 루틴 (예: 선형 회귀, K-means, 랜덤 포레스트).
• CPU 및 GPU를 위한 크로스 플랫폼 하드웨어 가속.
• 강력한 스케일링 및 약한 스케일링을 위한 멀티 노드 분산 컴퓨팅 지원.
• scikit-learn-intelex 확장을 통한 scikit-learn과의 통합.
• OAP MLlib 프로젝트를 통한 Apache Spark MLlib의 성능 향상.