基于異構計算的CNN并行框架的設計與實現(xiàn).pdf

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