在当今数字时代,推荐系统已成为众多互联网公司的核心技术,为用户提供个性化的内容和服务体验。然而,随着数据规模和模型复杂度的不断增长,传统的机器学习框架在处理超大规模推荐任务时往往力不从心。为了应对这一挑战,阿里巴巴联合业界伙伴推出了DeepRec - 一个专为推荐系统优化的高性能深度学习框架。
DeepRec项目始于2016年,最初是为了支持阿里巴巴集团内部的核心业务,如淘宝搜索、推荐和广告投放等。经过多年的发展和沉淀,DeepRec已经成为一个功能丰富、性能卓越的开源框架,不仅在阿里巴巴内部广泛应用,还吸引了众多外部公司的关注和采用。
推荐模型与其他深度学习模型相比有其独特之处。它们通常包含大量非数值特征,如ID、标签、文本等,这些特征会导致模型参数量急剧膨胀。同时,推荐系统还需要处理海量的样本数据,对计算和存储资源提出了极高的要求。正是基于这些特点,DeepRec在TensorFlow的基础上进行了深度优化,以满足推荐系统的特殊需求。
作为一个专门面向推荐系统的深度学习框架,DeepRec具备以下核心特性:
DeepRec支持万亿级样本、数十万亿参数的推荐模型训练,这种规模的处理能力在业界处于领先地位。通过高效的分布式训练框架,DeepRec可以充分利用集群资源,大幅提升训练效率。
DeepRec在CPU和GPU平台上都进行了深入的性能优化。例如,针对嵌入操作这一推荐模型的关键环节,DeepRec实现了多种优化策略,如Embedding Variable、动态维度嵌入、自适应嵌入等。同时,DeepRec还提供了AdamAsync、AdagradDecay等针对推荐场景优化的优化器。
DeepRec支持异步分布式训练(参数服务器模式)和同步分布式训练(Collective模式)两种范式。在参数服务器模式下,DeepRec提供了grpc+seastar、FuseRecv、StarServer等多种实现;在Collective模式下,则有HybridBackend、Sparse Operation Kits (SOK)等解决方案。
DeepRec实现了诸如图感知内存分配器(GAMMA)、基于关键路径的执行器等运行时优化技术。对于GPU平台,DeepRec还提供了支持多CUDA计算流和CUDA Graph的多流引擎。
在图优化方面,DeepRec提供了AutoGraphFusion、SmartStage、AutoPipeline、Graph Template Engine等多种技术,可以自动优化计算图结构,提高执行效率。
DeepRec不仅关注模型训练,还提供了一整套高效的部署和服务解决方案。例如,增量检查点加载和导出、超大规模推荐模型分布式服务、多层混合存储等特性,都为模型的快速迭代和线上服务提供了有力支持。
DeepRec在多个方面进行了技术创新,以下是一些代表性的特性:
Embedding Variable是DeepRec的一大亮点,它为大规模稀疏特征提供了高效的存储和计算方案。通过支持特征淘汰、特征过滤等机制,Embedding Variable可以有效管理海量特征,降低内存占用。
自适应嵌入技术允许根据特征的重要性动态调整嵌入维度,既保证了模型效果,又节省了计算资源。
多哈希变量通过多重哈希技术,有效减少了哈希冲突,提高了特征表达 能力。
群组嵌入支持将相关特征组织成群组,既提高了模型表达能力,又优化了训练和推理性能。
StarServer是DeepRec开发的高性能参数服务器实现,它基于seastar框架,采用无共享架构,大幅提升了参数更新和同步的效率。
DeepRec实现了一系列图优化技术,如嵌入子图融合、流水线化执行、样本感知图压缩等,这些技术可以自动优化计算图,提高执行效率。
SessionGroup是DeepRec提供的高性能推理框架,它采用共享无关设计,支持多线程池和多CUDA流,可以充分利用硬件资源,提高推理吞吐量。
DeepRec在阿里巴巴集团内部得到了广泛应用,支撑了淘宝、天猫、阿里云等核心业务的推荐系统。以下是一些具体的应用案例:
在淘宝搜索场景中,DeepRec支持了万亿级别的日搜索请求,处理数十亿商品和用户数据。通过DeepRec的高效训练和推理能力,淘宝搜索可以快速迭代模型,提供更精准的搜索结果。
淘宝首页、猜你喜欢等推荐模块都基于DeepRec构建。DeepRec的大规模分布式训练能力使得淘宝可以充分利用海量的用户行为数据,不断优化推荐算法。
在广告投放系统中,DeepRec的高性能特性尤其重要。它能够支持实时竞价(RTB)场景下的毫秒级响应,同时保证模型的准确性和时效性。
DeepRec已经集成到阿里云PAI(Platform for Artificial Intelligence)平台,为云上用户提供高性能的推荐模型训练和服务能力。
除了阿里巴巴内部,已经有数十家公司在其 业务场景中采用了DeepRec。这些公司涵盖了电商、媒体、广告、社交网络等多个领域,充分证明了DeepRec的通用性和实用价值。
为了推动推荐系统技术的发展,阿里巴巴决定将DeepRec开源,并将其托管在LF AI & Data基金会进行孵化。这一决定体现了阿里巴巴对开源社区的承诺,也为更多企业和开发者提供了接触和使用先进推荐系统技术的机会。
DeepRec的开源不仅包括核心框架,还包括周边工具和文档:
所有这些组件都托管在GitHub上,采用Apache 2.0许可证开源。开发团队定期发布新版本,不断加入新特性和性能优化。
对于想要尝试DeepRec的开发者,官方提供了详细的安装和使用指南:
安装准备
alideeprec/deeprec-build:deeprec-dev-cpu-py38-ubuntu20.04
镜像alideeprec/deeprec-build:deeprec-dev-gpu-py38-cu116-ubuntu20.04
镜像编译安装 DeepRec支持多种编译选项,用户可以根据需求选择:
bazel build -c opt --config=opt //tensorflow/tools/pip_package:build_pip_package
bazel build -c opt --config=opt --config=mkl_threadpool //tensorflow/tools/pip_package:build_pip_package
创建wheel包
./bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg
安装wheel包
pip3 install /tmp/tensorflow_pkg/tensorflow-1.15.5+${version}-cp38-cp38m-linux_x86_64.whl
此外,DeepRec还提供了预构建的Docker镜像,方便用户快速开始:
alideeprec/deeprec-release:deeprec2402-cpu-py38-ubuntu20.04
alideeprec/deeprec-release:deeprec2402-gpu-py38-cu116-ubuntu20.04
作为一个活跃的开源项目,DeepRec正在持续演进。未来的发展方向包括:
DeepRec的发展离不开开源社区的贡献。项目欢迎各种形式的参与,包括代码贡献、文档改进、问题反馈等。开发者可以通过GitHub参与项目讨论,也可以加入官方的DingTalk或WeChat讨论组与核心团队直接交流。
DeepRec的出现和开源,标志着推荐系统技术进入了一个新的阶段。它不仅是阿里巴巴多年技术积累的结晶,更是推动整个行业向前发展的重要力量。随着越来越多的企业和开发者加入DeepRec生态,我们有理由相信,更加智能、高效、个性化的推荐系统将不断涌现,为用户带来更优质的在线体验。
无论您是大型互联网公司还是初创企业,是经验丰富的机 器学习工程师还是刚入门的AI爱好者,DeepRec都为您提供了一个强大的工具和广阔的舞台。让我们共同探索DeepRec的无限可能,共创推荐系统的美好未来!
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号