腾讯首个AI开源项目Angel，正式发布一个里程碑式的版本：Angel 3.0。这是一个全栈机器学习平台，功能特性涵盖了机器学习的各个阶段，超过50万行代码，在 GitHub 上 Star 数已超过 4200，Fork 数超过 1000。
一个全栈机器学习平台，近日悄悄上线了。
8月22日，腾讯首个AI开源项目Angel正式发布一个里程碑式的版本：Angel 3.0。
Angel 3.0尝试打造一个全栈机器学习平台，功能特性涵盖了机器学习的各个阶段：特征工程，模型训练，超参数调节和模型服务。
2016年年初在腾讯内部上线，2017 年 6 月， Angel 在 Github上低调开源，截至目前，Angel 在 GitHub 上 Star 数已超过 4200，Fork 数超过 1000。Angel 项目目前总共有 38 位代码贡献者，其他包括 8 位 committer，他们总共提交了超过 2000 个 commit。
Angel在2017年6月正式开源
从1.0到3.0，Angel发生了巨大的变化，它从一个单一的模型训练平台发展到涵盖机器学习各个流程，包含自己生态的通用计算平台，代码量也超过了50万行。
为了让整个系统更加的智能，Angel 3.0新增了超参数调节的功能，目前支持3种算法：随机搜索，网格搜索和贝叶斯优化。
Angel (https://github.com/Angel-ML)是基于参数服务器架构的分布式计算平台，致力于解决稀疏数据大模型训练以及大规模图数据分析问题，它由腾讯与北京大学联合研发，兼顾了工业界的高可用性和学术界的创新性。
Angel发布里程碑版本3.0：全栈机器学习平台
Angel是腾讯开源的大规模分布式机器学习平台，专注于稀疏数据高维模型的训练。目前Angel是Linux基金会人工智能(LFAI)孵化项目，相比于TensorFlow, PyTorch和Spark等业界同类平台，它有如下特点：
Angel是一个基于Parameter Server（PS）理念开发的高性能分布式机器学习平台，它具有灵活的可定制函数PS Function（PSF），可以将部分计算下推至PS端。PS架构良好的横向扩展能力让Angel能高效处理千亿级别的模型。
Angel具有专门为处理高维稀疏特征特别优化的数学库，性能可达breeze数学库的10倍以上。Angel的PS和内置的算法内核均构建在该数学库之上。
Angel擅长推荐模型和图网络模型相关领域（如社交网络分析）。图1是Angel和几个业界主流平台在稀疏数据，模型维度，性能表现，深度模型和生态建设几个维度的对比。Tensorflow和PyTouch在深度学习领域和生态建设方面优势明显，但在稀疏数据和高维模型方面的处理能力相对不足，而Angel正好与它们形成互补，3.0版本推出的PyTorch On Angel尝试将PyTorch和Angel的优势结合在一起。
Angel使用情况
在过去12个月，Angel在腾讯内部的任务数量有了非常明显的增长，增幅达到150%。值得一提的是，Spark On Angel的任务数增长了10倍，为了让Spark On Angel更加的易用，3.0版本对Spark On Angel做了大幅度升级。在腾讯内部，使用Angel的业务包括腾讯视频，腾讯新闻和微信等。
Angel官方维护了一个QQ群与外部开发者进行交流，对群用户的统计表明：
从2017年6月开源以来，Angel受到了较多的关注，目前在GitHub上Star数超过4200，Fork数超过1000。Angel项目目前总共有38位代码贡献者，其他包括8位committer，他们总共提交了超过2000个commit。
从1.0到3.0，Angel发生了巨大的变化，它从一个单一的模型训练平台发展到涵盖机器学习各个流程，包含自己生态的通用计算平台，代码量也超过了50万行。为了后续维护和使用的方便，Angel拆分成8个子项目，统一放在Angel-ML目录下（https://github.com/Angel-ML）：angel，PyTorch On Angel，sona，serving，automl，mlcore，math2和format，这些子项目会在下文详细介绍。
Angel 3.0新特性
Angel 3.0试图打造一个全栈机器学习平台，它的功能特性涵盖了机器学习的各个阶段：特征工程，模型训练，超参数调节和模型服务。
Angel的特征工程模块基于Spark开发，增强了Spark的特征选择功能，同时使用特征交叉和重索引实现了自动特征生成。这些组件可以无缝地整合进Spark的流水线。为了让整个系统更加的智能，Angel 3.0新增了超参数调节的功能，目前支持3种算法：随机搜索，网格搜索和贝叶斯优化。在模型服务方面，Angel 3.0提供了一个跨平台的组件Angel Serving， Angel Serving不仅可以满足Angel自身的需求，还可以为其他平台提供模型服务。
在生态方面，Angel也尝试将PS能力赋能给其他的计算平台，目前已经完成了Spark On Angel和PyTorch On Angel两个平台的建设。这两个平台各有优势和侧重， Spark On Angel使用的是Angel内置的算法核心，主要负责常见推荐领域的机器学习算法和基础图算法。PyToch On Angel使用PyTorch作为计算核心，主要负责推荐领域深度学习算法和图深度学习算法。
