同时，我们第三代的平台，还支持GPU深度学习，支持文本、语音、图像等非结构化的数据。

Angel是基于参数服务器的一个架构，它跑在我们的Gaia平台上面的。

它支持BSP、SSP、ASP三种计算模式；支持数据并行以及工业界更看重的模型并行，因为我们主要碰到的还是模型大的问题；

另外，在网络上我们有个原创的尝试，我们用了港科大杨老师的团队做的诸葛弩来做网络调度，ParameterServer优先服务较慢的Worker，当模型较大时，能明显降低等待时间，任务总体耗时下降5%~15%。

Angel提供很丰富的算法，支持LR、SVM、LDA、GDBT等等，并且集成了非常丰富的数学函数库，另外，还提供非常友好的编程界面，能跟Spark、MR对接，你能像用MR、Spark一样编程。

Angel跟其他平台相比，比如Petuum，和spark等，就我们的测试结果，在同等量级下，Angel的性能要优于其他平台。比如我们用Netflix的数据跑的SGD算法，大家看一下这个图的对比。

同时，Angel更适合超大规模的数据训练。目前Angel支持了很多腾讯内部的现网业务。

这里举两个例子，比如，在构建用户画像方面，以前都是基于Hadoop和Spark来做，跑一次模型要1天甚至几天，话题只有1k；而在Angel上，20多亿文档、几百万个词，3000亿的token，1个小时就跑完了。以前Spark能跑的，现在Angel快几十倍；以前Spark跑不了的，Angel也能轻松跑出来。

再看一个case，视频的点击预测，同等数据量下，Angel的性能是Spark的44倍以上。用了Angel以后，我们维度从千万扩展到亿，训练时间从天缩短到半小时，而准确度也有不小的提升。

Angel不仅仅是一个只做并行计算的平台，它更是一个生态，我们围绕Angel，建立了一个小生态圈，它支持Spark之上的MLLib，支持上亿的维度的训练；我们也支持更复杂的图计算模型；同时支持Caffe、TensorFlow、Torch等深度学习框架，实现这些框架的多机多卡的应用场景。

各位，临近尾声了，我想总结一下腾讯大数据平台发展的三个阶段：

我们从离线计算起步，经过实时计算阶段，进入了机器学习的时代。

我们从跟随开源，发展到自研，我们的发展历经了规模化、实时化，以及智能化的变迁。

最后，我要借这个机会跟大家公布一个消息，那就是：我们的大数据平台将全面开源。

我们会在明年上半年把Angel以及Angel周边的系统进行开源。

我们平台源自开源，我们的发展离不开开源，所以我们会以最大的力度拥抱开源。

其实在开源的道路上，我们一直都在参与：我们第一代平台的核心，TDW-Hive，已经在2014年就开源了；我们还在很多社区项目贡献了很多核心代码，培养了好几个committer。