文章回顾了学术界和工业界近期共同关注的机器学习系统，着重介绍了Angel系统的设计思想和实现细节，并通过对多个大规模数据集上不同机器学习算法和系统的比较，验证了Angel系统在分布式机器学习方面的有效性。
现有的机器学习系统都是针对不同类型的机器学习任务而搭建的。数据流系统Hadoop和Spark适用于通用的数据处理任务和构建机器学习流水线，但缺乏参数共享机制，存在单点瓶颈性能问题；图计算系统GraphLab、GraphX和Tux2等将机器学习计算抽象成图结构，可利用图结构的特性加速，但只适合具有稀疏图结构的算法；深度学习系统TensorFlow、MXNet和Caffe2等利用参数服务器或全局归约进行分布式神经网络的训练，可利用GPU对神经网络的计算加速，但缺乏对稀疏图结构的优化和支持。
由北京大学-腾讯协同创新实验室开发的开源系统Angel（源代码见https://github.com/Tencent/angel）兼顾工业界的高可用性和学术界的创新性，集成和优化多种机器学习算法，是一个基于参数服务器理念的分布式机器学习框架，使机器学习算法在高维度模型上轻松运行。它围绕模型共享的核心理念，将高维度的大模型合理地切分到多个参数服务器节点，并通过高效的模型更新接口、运算函数和多变的同步协议实现各种高效的机器学习算法。得益于良好的设计，Angel既能独立运行、高效执行多种机器学习算法，也能作为参数服务器服务，支持Spark和现有深度学习框架，并为其加速。联合课题组基于工业界的海量数据，反复实践和调优，使得Angel具有广泛的适用性和稳定性，模型维度越高，优势越明显。经过在真实数据集上的对比，Angel在多种机器学习算法上的性能优于XGBoost、Spark、Petuum、TensorFlow等常用机器学习系统，已被应用于腾讯视频点击预测和广告推荐等实际业务中。
Angel系统框架
Angel目前基于Java和Scala开发，未来还将加入Python等多种语言接口，使用更便捷，且参数服务器服务能力会进一步提升，支持图计算和深度学习框架。
编辑：山石
?
?
