带有 GPU 的 H2O Deep Water 上的 Word2Vec 词嵌入答案

【问题标题】：Word2Vec word embeddings on H2O Deep Water with GPU带有 GPU 的 H2O Deep Water 上的 Word2Vec 词嵌入
【发布时间】：2018-01-20 19:23:40
【问题描述】：

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 词嵌入模型。
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 内核在 %100 负载下工作。是否有任何程序或解决方案使用 H2O 深水 GPU 功能迭代上述过程？

【问题讨论】：

标签： deep-learning word2vec h2o grid-search gbm

【解决方案1】：

不，不，也许。

也许你可以从 GBM 切换到 xgboost，它确实有一个 GPU 选项（我相信只支持单节点，目前仅在 Linux 中）。 xgboost 在小数据集上显然稍快一些，h2o.gbm 在大数据集上稍快一些。如果您有一个免费的 GPU，并且使用的是最新版本的 H2O，那么应该很容易将 h2o.gbm 与 h2o.xgboost 交换（如果使用 Python API，则为 H2OXGBoostEstimator）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 GPU 专门用于网格的；但所有的努力都在模型中，而不是网格本身，所以第二个“否”也可以是“N/A”）

【讨论】：

当我们使用 H2OXGBoostEstimator 代替 GBM 时，它似乎有更好的性能，但实现会受到完成网格搜索的影响。 (stackoverflow.com/q/45726324/1928229)