cornellius-gp/gpytorch

解决的问题

GPyTorch 解决了构建可扩展、灵活且模块化高斯过程 (GP) 模型所面临的挑战。它通过利用 GPU 加速和高效的数值线性代数，克服了传统 GP 推理的性能瓶颈。

运作原理

与许多依赖 Cholesky 分解的 GP 库不同，GPyTorch 使用数值线性代数技术（例如预处理共轭梯度法）执行大部分推理运算。它利用 LinearOperator 接口来处理核矩阵及其导数的矩阵乘法，从而显著提升 GPU 利用率，并实现先进的可扩展 GP 技术。

适用对象

专为需要实现可扩展至大型数据集，并能与深度学习框架无缝集成的高斯过程模型的研究人员与开发者所设计。

特色亮点

• 通过基于 MVM 的推理实现显著的 GPU 加速。
• 实现了最先进的可扩展算法，包括 SKI/KISS-GP、随机 Lanczos 展开、LOVE、SKIP 以及随机变分深度核学习。
• 与 PyTorch 及其他深度学习框架轻松集成。
• 用于创建灵活 GP 模型的模块化设计。