[发明专利]面向推荐系统矩阵分解方法的异构多XPU机器学习系统

权利要求书

1.面向推荐系统矩阵分解方法的异构多XPU机器学习方法，其特征在于执行过程包括如下步骤：

S1，XPU工作器将自身XPU信息传给参数服务器，参数服务器调用自身DataManager模块计算数据分配的信息；

S2，XPU工作器向参数服务器发送数据请求，参数服务器根据数据分配信息发送对应数据给XPU工作器；

S3，XPU工作器向参数服务器请求初始化参数，参数服务器随机初始化参数；

S4，如果XPU工作器具备并行能力，则依据并行能力网格化数据，建立内部多线程，如果不具备，则进入步骤S5；

S5，XPU工作器从参数服务器Pull参数，参数服务器发送参数给XPU工作器；

S6，XPU工作器并行计算分到的数据，异步更新参数矩阵；

S7，XPU工作器向参数服务器Push计算好的参数，参数服务器同步更新所有XPU工作器的参数，并计算loss；

S8，重复5-7，直到loss合适。

2.如权利要求1所述的面向推荐系统矩阵分解方法的异构多XPU机器学习方法，其特征在于所述的步骤S1，包括如下步骤：

S11，XPU工作器探查并发送自身XPU信息给参数服务器；

S12，XPU工作器向参数服务器发送初始化数据请求，参数服务器调用自身DataManager模块计算数据分配的信息，并发送给XPU工作器；

S13，XPU工作器根据返回的信息，建立相应的接收数据结构。

3.如权利要求1所述的面向推荐系统矩阵分解方法的异构多XPU机器学习方法，其特征在于请求的数据为评分矩阵，参数包括根据评分矩阵分解的P、Q特征参数，P、Q特征参数随每一轮计算过程而发生更新，当评分矩阵行/列数较多时，为XPU工作器按行/列进行数据分配，XPU工作器上用于更新P/Q矩阵的行/列数据不依赖其他XPU工作器上的行/列数据，因此，XPU工作器只在第一轮计算前向参数服务器Pull参数矩阵P和Q，并在最后一轮计算后向参数服务器Push参数矩阵P和Q，中间计算过程仅Pull、Push参数矩阵Q/P。

4.如权利要求1所述的面向推荐系统矩阵分解方法的异构多XPU机器学习方法，其特征在于所述步骤S4的网格化数据，采用正交网格计算特征参数。