江苏龙网

  1. 首页 > 资讯 > 科技 > >

台式机&硬件|快手的推荐系统背后，英特尔做了什么？


【台式机&硬件|快手的推荐系统背后，英特尔做了什么？】大数据时代 ， 个人信息越来越透明 ， 以至于手机APP都能读懂你我的心思 ， 甚至能将信息精准地送达到每一个移动端 。 APP开发者将其称之为“算法推荐” ， 商家将其称之为“个性化定制” 。 有人为推荐机制津津乐道 ， “原来手机比男朋友更懂我” ， 听到更多合口味的音乐 ， 看更多爱好的视频；也有人感叹其恐怖 ， 担心陷入算法布局好的陷阱 ， 陷入信息茧房 。
台式机&硬件|快手的推荐系统背后，英特尔做了什么？
本文插图

价值巨大的推荐系统
虽然我们开始警惕推荐机制可能带来的危害 ， 但对于企业而言 ， 推荐机制蕴藏着巨大的价值 ， 推荐系统的加速不会停止 。
根据王喆老师的论文《深度学习推荐系统》[1]中的例子 ， 2019年天猫“双11”的成交额是2684亿元 ， 天猫推荐系统实现了首页商品的个性化推荐 ， 其目标是提高转化转化率和点击率 。 假设推荐系统进行了优化 ， 整体的转化率提高1% ， 那么增加的成交额大约为26.84亿元 。 由此可见 ， 相比于对信息茧房的担忧 ， 互联网巨头当然是更关心这笔数目不小的收益增长 ， 进一步加速各自的推荐系统 ， 短视频玩家快手也不例外 。

根据快手官网数据显示 ， 2015年6月 ， 快手的单日用户上传视频量突破260万；2016年4月总用户数突破3亿 。 截止目前为止 ， 快手累计200亿条短视频库存 ， 每天仍有超过1500万条视频新增、千亿条视频曝光 ， 早已从一个Gif生成工具蜕变成为一个日活3亿、日播放量200亿的短视频社区 。
当构建起庞大的数字世界后 ， 快手需要面对的问题是 ， 如何在承载高峰期每秒数十万并发调用量的同时 ， 从上亿级别的短视频库中 ， 通过千亿参数级别的深度模型向不同的用户对象推送合适的内容 ， 即其推荐系统的加速问题 。
台式机&硬件|快手的推荐系统背后，英特尔做了什么？
本文插图

为此 ， 快手基于异构设备构建了计算与存储分离的推荐系统架构 。 在该架构的内部 ， 主要由两部分任务组成 ， 一部分是包括推荐服务、预估服务、召回服务在内的计算敏感性服务 ， 另一部分是包括用户画像、参数服务器以及分布式服务器索引的存储敏感性服务 ， 这些模块需要实现大容量内存的数据存储及快速的数据访问 。
提升训练速度的英特尔Cooper Lake
实际上 ， 推荐系统加速的本质 ， 一方面是人工智能应用的升级 ， 机器需要对图片、视频等信息进行学习和分类；另一方面 ， 则是对存储和访问的进一步需求 。

今年6月 ， 英特尔推出的第三代至强可扩展处理器Cooper Lake就是专为当今内置人工智能数据密集型服务而设计的处理器 。 雷锋网了解到 ， 英特尔第三代可扩展处理器进一步升级了DLBoost深度学习加速技术 ， 同时 ， 在深度学习加速架构下的VNNI神经网络指令支持bfloat16数据格式 。 与上一代平台Cascade Lake最顶级的CPU 8280相比 ， 在图像分类处理上 ， Cooper Lake的计算性能提升1.93倍 。
台式机&硬件|快手的推荐系统背后，英特尔做了什么？
本文插图

在对人工智能的支持上 ， 区别于第二代至强可扩展处理器支持的Int8数据格式和传统的FP32数据格式 ， bfloat16数据格式是采用16位存取一个数据 ， 包括1个符号位 ， 8个指数和7个尾数位 ， 同时保证了数据的范围和精度 。
台式机&硬件|快手的推荐系统背后，英特尔做了什么？
本文插图

雷锋网了解到 ， 虽然bfloat16的精度没有FP32的精度高 ， 但是7位尾数对于大多数人工智能的推理计算模型而言 ， 精度已足够使用 。 英特尔技术人员透露 ， 相比于上一代基于FP32数据格式做训练 ， VNNI搭配bfloat16能使训练性能提高93% ， 推理性能提高90% 。


推荐阅读


上一篇：新机发布|数码博主上手OPPO A72，网友看过后评价走心了

下一篇：抗日战争|美国人问13岁小战士: 胜利后, 最想做什么? 他只说了五个字