Deep learning 使用GPU在H2O深水上嵌入Word2Vec字_Deep Learning_Word2vec_H2o_Grid Search_Gbm

Deep learning 使用GPU在H2O深水上嵌入Word2Vec字

deep-learning

Deep learning 使用GPU在H2O深水上嵌入Word2Vec字,deep-learning,word2vec,h2o,grid-search,gbm,Deep Learning,Word2vec,H2o,Grid Search,Gbm,我们遵循文本分类过程，迭代以下项目：使用文本文档创建Word2Vec word嵌入模型执行网格搜索和树深度参数选择性能最佳的最终GBM模型当我们遍历列表时，CPU核心以100%的负载工作。是否有任何程序或解决方案使用H2O深水GPU功能重复上述过程？否，否，可能可能的原因是，您可以从GBM切换到xgboost，xgboost确实有一个GPU选项（我相信只支持单个节点，而且目前只支持Linux）。xgboost显然在小数据集上稍快一些，而h2o.gbm在大数据集上稍快一些。如果您有一个免

我们遵循文本分类过程，迭代以下项目：

使用文本文档创建Word2Vec word嵌入模型

执行网格搜索和树深度参数

选择性能最佳的最终GBM模型

当我们遍历列表时，CPU核心以100%的负载工作。是否有任何程序或解决方案使用H2O深水GPU功能重复上述过程？

否，否，可能

可能的原因是，您可以从GBM切换到xgboost，xgboost确实有一个GPU选项（我相信只支持单个节点，而且目前只支持Linux）。xgboost显然在小数据集上稍快一些，而h2o.gbm在大数据集上稍快一些。如果您有一个免费的GPU，并且正在使用最新版本的H2O，那么您可以轻松地将

H2O.gbm

与

H2O.xgboost

（

H2OXGBoostEstimator

如果使用Python API）进行交换，并亲自查看

我很想听听相关的时间安排

（顺便说一句，第二个“否”是专门用于网格的GPU；但所有的工作都在模型中，而不是网格本身，因此第二个“否”也可以是“不适用”）

当我们使用H2OXGBoostEstimator而不是GBM时，它似乎有更好的性能，但实现会受到网格搜索完成的影响。()