基于異構計算的CNN并行框架的設計與實現(xiàn).pdf_第1頁
已閱讀1頁,還剩82頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著深度學習和異構計算的不斷發(fā)展,在多個領域中基于異構計算的深度學習已經(jīng)取得了突破性的成績,如圖像識別和語音識別。截止目前,最智能的機器學習方法就是深度學習,而CNN是深度學習里最重要的一個模型,其研究意義和商業(yè)價值巨大。同時由于GPU的強大計算能力被挖掘出來,現(xiàn)如今廣泛采用GPU來進行CNN的訓練。
  但是由于存在CNN的訓練時間長和單張GPU卡甚至單臺GPU服務器(含多張 GPU卡)的顯存都無法裝載單個模型副本的問題,因此需

2、要采用多臺 GPU服務器的集群來并行訓練CNN。在GPU集群并行訓練的方法中,如何在硬件設施確定的情況下,確定模型切分方案和數(shù)據(jù)并行個數(shù)將是本文的研究重點。
  本文首先對現(xiàn)有的CNN并行方法進行調研,然后提出了最優(yōu)化的模型并行和數(shù)據(jù)并行方案。以該方案為基礎設計了一個基于異構計算的CNN并行框架,該框架總體上采用Master/Slave架構,其中 Master是調度器,主要工作是計算出最優(yōu)化方案以及調度計算任務。Slave分為W-

3、slave和P-slave。W-salve是執(zhí)行真正的CNN訓練任務的載體,P-slave是負責參數(shù)更新工作的參數(shù)服務器。最后詳細介紹了最優(yōu)化模型并行和數(shù)據(jù)并行方案的實現(xiàn)。
  本文的主要工作為以下幾點:
  1.通過對當前深度學習的并行方案進行調研,在硬件設施確定的情況下,針對模型切分和數(shù)據(jù)并行的個數(shù)提出了自己的最優(yōu)化模型并行和數(shù)據(jù)并行方案。
  2.對基于異構計算的 CNN并行框架進行架構設計。框架整體采用Mast

4、er/Slave架構,參數(shù)更新采用異步更新方式。
  3.設計并實現(xiàn)本文提出的在硬件環(huán)境確定的情況下,計算確定單個模型副本切分的子模型個數(shù)和模型副本個數(shù)的最優(yōu)化方案。
  最后對最優(yōu)化方案進行仿真測試。仿真測試分為單張GPU卡能裝載單個模型副本和單張GPU卡不能裝載單個模型副本兩種情況。仿真結果表明本文提出的最優(yōu)化方案能夠在硬件環(huán)境確定的情況下,計算出最優(yōu)的模型副本切分的子模型個數(shù)和模型副本個數(shù),找到最大的訓練預估時間加速比

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論