这篇文章最初发表在 RAPIDS 人工智能博客上。
介绍
RAPIDS 森林推理库，亲切地称为 FIL ，极大地加速了基于树的模型的推理（预测），包括梯度增强的决策树模型（如 XGBoost 和 LightGBM 的模型）和随机森林 ( 要深入了解整个库，请查看 最初的 FIL 博客 。原始 FIL 中的模型存储为密集的二叉树。也就是说，树的存储假定所有叶节点都出现在同一深度。这就为浅树提供了一个简单、运行时高效的布局。但对于深树，它也需要 lot 的 GPU 内存2d+1-1深度树的节点 d 。为了支持最深的森林， FIL 支持
稀疏 树存储。如果稀疏树的分支早于最大深度 d 结束，则不会为该分支的潜在子级分配存储。这可以节省大量内存。虽然深度为 30 的 稠密的 树总是需要超过 20 亿个节点，但是深度为 30 的最瘦的 稀疏 树只需要 61 个节点。
在 FIL 中使用稀疏森林
在 FIL 使用稀疏森林并不比使用茂密森林困难。创建的林的类型由新的 storage_type 参数控制到 ForestInference.load() 。其可能值为：
DENSE为了营造一片茂密的森林，SPARSE要创建稀疏的森林，AUTO（默认）让 FIL 决定，当前总是创建一个密林。
无需更改输入文件、输入数据或预测输出的格式。初始模型可以由 scikit learn 、 cuML 、 XGBoost 或 LightGBM 进行训练。下面是一个将 FIL 用于稀疏森林的示例。
from cuml import ForestInference
import sklearn.datasets
# Load the classifier previously saved with xgboost model_save()
model_path = 'xgb.model'
fm = ForestInference.load(model_path, output_class=True,
storage_type='SPARSE')
# Generate random sample data
X_test, y_test = sklearn.datasets.make_classification()
# Generate predictions (as a gpu array)
fil_preds_gpu = fm.predict(X_test.astype('float32'))
实施
图 1 描述了稀疏森林是如何存储在 FIL 中的。所有节点都存储在单个大型 nodes 阵列中。对于每个树，其根在节点数组中的索引存储在 trees 数组中。每个稀疏节点除了存储在密集节点中的信息外，还存储其左子节点的索引。由于每个节点总是有两个子节点，所以左右节点相邻存储。因此，右子级的索引总是可以通过将左子级的索引加 1 来获得。在内部， FIL 继续支持密集节点和稀疏节点，这两种方法都来自一个基林类。
与内部更改相比，对 pythonapi 的更改保持在最低限度。新的 storage_type 参数指定是创建密集林还是稀疏林。此外，一个新的值 'AUTO' 已经成为推断算法参数的新默认值；它允许 FIL 自己选择推理算法。对于稀疏林，它当前使用的是 'NAIVE' 算法，这是唯一受支持的算法。对于密林，它使用 'BATCH_TREE_REORG' 算法。
基准
为了对稀疏树进行基准测试，我们使用 sciket learn 训练了一个随机林，具体来说就是 sklearn.ensemble.RandomForestClassifier 。然后，我们将得到的模型转化为一个 FIL 林，并对推理的性能进行了测试。数据是使用 sklearn.datasets.make_classification() 生成的，包含 200 万行，在训练和验证数据集之间平分， 32 列。对于基准测试，在一百万行上执行推断。
我们使用两组参数进行基准测试。
- 深度限制设置为 10 或 20 ；在这种情况下，密集或稀疏的 FIL 林都可以放入 GPU 内存中。
- 无深度限制；在这种情况下， SKLearn 训练的模型包含非常深的树。在我们的基准测试运行中，树的深度通常在 30 到 50 之间。试图创建一个稠密的 FIL-forest 会耗尽内存，但是可以顺利创建一个稀疏的 forest 。
在这两种情况下，林本身的大小仍然相对较小，因为树中的叶节点数限制为 2048 个，并且林由 100 棵树组成。我们测量了 CPU 推理和 GPU 推理的时间。 GPU 推理是在 V100 上进行的， CPU 推理是在一个有两个插槽的系统上进行的，每个插槽有 16 个内核，带有双向超线程。基准测试结果如图 2 所示。
稀疏和密集 FIL 预测器（如果后者可用）都比 SKLearn CPU 预测器快 34-60 倍。对于浅层森林，稀疏 FIL 预报器比稠密 FIL 预报器慢，但是对于较深的森林，稀疏 FIL 预报器可以更快；具体的性能差异各不相同。例如，在图 2 中， max \ u depth = 10 时，密集预测器比稀疏预测器快 1 . 14 倍，但 max \ u depth = 20 时，速度较慢，仅达到稀疏预测器的 0 . 75 倍。因此，对于浅层森林应采用稠密 FIL 预报。
然而，对于深林，稠密预测器的内存不足，因为它的空间需求随着森林深度呈指数增长。稀疏预测器没有这个问题，即使对于非常深的树，它也能在 GPU 上提供快速的推断。
结论
在稀疏森林的支持下， FIL 适用于更广泛的问题。无论您是使用 XGBoost 构建梯度增强的决策树，还是使用 cuML 或 sciket learn 构建随机林， FIL 都应该是一个方便的选择，可以加速您的推理。一如既往，如果您遇到任何问题，请随时访问 GitHub 上的文件问题 或在 我们的公共休闲频道 中提问！
