CN110889492B - 用于训练深度学习模型的方法和装置 - Google Patents

用于训练深度学习模型的方法和装置 Download PDF

Info

Publication number
CN110889492B
CN110889492B CN201911162586.0A CN201911162586A CN110889492B CN 110889492 B CN110889492 B CN 110889492B CN 201911162586 A CN201911162586 A CN 201911162586A CN 110889492 B CN110889492 B CN 110889492B
Authority
CN
China
Prior art keywords
training
description information
model description
deep learning
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911162586.0A
Other languages
English (en)
Other versions
CN110889492A (zh
Inventor
何天健
刘毅
董大祥
马艳军
于佃海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201911162586.0A priority Critical patent/CN110889492B/zh
Publication of CN110889492A publication Critical patent/CN110889492A/zh
Priority to JP2020572679A priority patent/JP7029554B2/ja
Priority to KR1020217009428A priority patent/KR20210042992A/ko
Priority to EP20866951.5A priority patent/EP3876161A4/en
Priority to PCT/CN2020/095192 priority patent/WO2021103479A1/zh
Priority to US17/218,033 priority patent/US20210216875A1/en
Application granted granted Critical
Publication of CN110889492B publication Critical patent/CN110889492B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G06N3/105—Shells for specifying net layout
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5044—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering hardware capabilities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means

Abstract

本公开的实施例公开了用于训练深度学习模型的方法和装置。该方法的一具体实施方式包括：获取深度学习模型的模型描述信息和配置信息；根据配置信息中的切分点变量将模型描述信息分成至少两段，并将模型描述信息加载到相应的资源上运行；将一批次的训练样本输入第一段模型描述信息对应的资源后开始训练并将得到的上下文信息作为下一段模型描述信息对应的资源的输入；以此类推直到得到最后一段模型描述信息对应的资源的运行结果；若满足训练完成条件，则输出训练完成的深度学习模型；否则，继续获取下一批次的训练样本执行上述训练步骤直到满足训练完成条件。该实施方式实现了异构设备的自由搭配，充分发挥不同计算设备的计算能力，提升训练速度。

Description

用于训练深度学习模型的方法和装置
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用于训练深度学习模型的方法和装置。
背景技术
随着当前深度学习模型朝着更深层次、更宽表示和更复杂结构等多个方向发展，具有高效算力的GPU(Graphics Processing Unit，图形处理器)已经是本领域不可或缺的计算资源。常见的并行方案分为模型并行和数据并行两种。
模型并行的技术方案会将全部模型参数分配到不同设备上执行计算，每个设备维护一部分参数。由于不同设备的计算依赖前续设备的计算上下文，因此为了提升计算设备(如GPU)的利用率，模型并行流水线通过将一个大批量的数据拆解为多个小批量，使得不同小批量数据的计算能够在多个计算设备中并发执行。模型并行流水线又可以细分为同步计算和异步计算两类。同步计算模式中，所有计算设备在完成全部小批量的前向计算任务后均会阻塞等待后向计算所需的上下文或者在完成全部后向计算后等待参数同步更新，导致计算设备的利用不够充分。异步计算中不同大批量的计算可以在同一时刻进行，同时将不同小批量的后向计算和参数更新尽可能前移。然而该方案在各环节算力不等的条件下无法充分利用算力较高的设备。
数据并行是另一种并行方案。数据并行流水线则将计算设备分配给不同批量的数据，设备间计算天然具有并发特性，设备利用率较高。然而，该方案并没能充分利用异构设备，即所有的数据流只能运行在单一种类的设备上，更不必说支持不同设备计算资源的配比。
发明内容
本公开的实施例提出了用于训练深度学习模型的方法和装置。
第一方面，本公开的实施例提供了一种用于训练深度学习模型的方法，包括：获取深度学习模型的模型描述信息和配置信息，其中，模型描述信息包括变量和操作，配置信息包括切分点变量、各分段分配的资源的名称；根据配置信息中的切分点变量将模型描述信息分成至少两段，并按照各分段分配的资源的名称将模型描述信息加载到相应的资源上运行；执行如下训练步骤：获取一批次的训练样本并将该批次的训练样本输入第一段模型描述信息对应的资源，开始训练并将得到的中间结果保存在第一上下文信息中；将第一上下文信息输入下一段模型描述信息对应的资源，得到第二上下文信息；以此类推直到得到最后一段模型描述信息对应的资源的运行结果；若满足训练完成条件，则输出训练完成的深度学习模型；否则，继续获取下一批次的训练样本执行上述训练步骤直到满足训练完成条件
在一些实施例中，配置信息还包括各分段分配的资源的比例；以及按照各分段分配的资源的名称将模型描述信息加载到相应的资源上运行，包括：按各分段分配的资源的比例计算各待分配的资源的数量；按照各分段分配的资源的名称和数量将模型描述信息加载到相应的资源上运行。
在一些实施例中，根据配置信息中的切分点变量将模型描述信息分成至少两段，包括：将以切分点变量为终点的前向部分确定为第一段；将从切分点变量开始的剩余的前向部分加上从损失部分到切分点变量对应的梯度变量确定为第二段；将从切分点变量对应的梯度变量开始的剩余的反向部分确定为第三段。
在一些实施例中，获取深度学习模型的模型描述信息和配置信息，包括：根据模型描述信息的操作确定出内存频繁交互的操作和计算密集型操作之间的转换变量作为切分点变量；将内存频繁交互的操作分配给CPU执行；将计算密集型操作分配给GPU执行。
在一些实施例中，该方法还包括：将训练样本拆分成预定份数；使用每份训练样本进行训练得到一组深度学习模型的参数；每隔一定轮次，各组深度学习模型的参数会进行一次同步。
在一些实施例中，上下文信息通过队列传递。
第二方面，本公开的实施例提供了一种用于训练深度学习模型的装置，包括：获取单元，被配置成获取深度学习模型的模型描述信息和配置信息，其中，模型描述信息包括变量和操作，配置信息包括切分点变量、各分段分配的资源的名称；切分单元，被配置成根据配置信息中的切分点变量将模型描述信息分成至少两段，并按照各分段分配的资源的名称将模型描述信息加载到相应的资源上运行；训练单元，被配置成执行如下训练步骤：获取一批次的训练样本并将该批次的训练样本输入第一段模型描述信息对应的资源，开始训练并将得到的中间结果保存在第一上下文信息中；将第一上下文信息输入下一段模型描述信息对应的资源，得到第二上下文信息；以此类推直到得到最后一段模型描述信息对应的资源的运行结果；若满足训练完成条件，则输出训练完成的深度学习模型；迭代单元，被配置成如果不满足训练完成条件，继续获取下一批次的训练样本执行上述训练步骤直到满足训练完成条件。
在一些实施例中，配置信息还包括各分段分配的资源的比例；以及切分单元进一步被配置成：按各分段分配的资源的比例计算各待分配的资源的数量；按照各分段分配的资源的名称和数量将模型描述信息加载到相应的资源上运行。
在一些实施例中，切分单元进一步被配置成：将以切分点变量为终点的前向部分确定为第一段；将从切分点变量开始的剩余的前向部分加上从损失部分到切分点变量对应的梯度变量确定为第二段；将从切分点变量对应的梯度变量开始的剩余的反向部分确定为第三段。
在一些实施例中，获取单元进一步被配置成：根据模型描述信息的操作确定出内存频繁交互的操作和计算密集型操作之间的转换变量作为切分点变量；将内存频繁交互的操作分配给CPU执行；将计算密集型操作分配给GPU执行。
在一些实施例中，该装置还包括合并单元，被配置成：将训练样本拆分成预定份数；使用每份训练样本进行训练得到一组深度学习模型的参数；每隔一定轮次，各组深度学习模型的参数会进行一次同步。
在一些实施例中，上下文信息通过队列传递。
第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。
第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。
本公开的实施例提供的用于训练深度学习模型的方法和装置，提出异步流水线框架，实现异构计算设备的自由搭配(不限于CPU、GPU和网卡等，具体计算由操作提供支持)，以期充分发挥不同设备的特点，例如在内存交互速度更快的CPU中进行Embedding Lookup(嵌入式查找)的计算和更新操作，而在运算速度更快的GPU中执行矩阵乘法之类的计算密集型操作。此外，通过对不同特点的操作分配不同比例的计算资源并异步并发执行，可以充分发挥不同计算设备的运算能力，提升整体的吞吐。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于训练深度学习模型的方法的一个实施例的流程图；
图3a、3b是根据本公开的用于训练深度学习模型的方法的一个应用场景的示意图；
图4是根据本公开的用于训练深度学习模型的方法的又一个实施例的流程图；
图5是根据本公开的用于训练深度学习模型的方法的又一个应用场景的示意图；
图6是根据本公开的用于训练深度学习模型的装置的一个实施例的结构示意图；
图7是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于训练深度学习模型的方法或用于训练深度学习模型的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如模型训练应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是支持上传训练样本的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上使用的深度学习模型提供支持的后台训练服务器。后台训练服务器可以对接收到的包括训练样本的训练请求等数据进行分析等处理，并将处理结果(例如训练完成的深度学习模型)反馈给终端设备。
服务器105的计算单元一般由CPU((central processing unit，中央处理器)、GPU和网卡(为了便于描述我们将网卡间的通信也视为计算)三部分组成。因为这三者具有不同的功能和特点，所以在一个系统中，我们通常对其进行如下分工：
CPU由于具有功能的通用型，所以擅长流程控制和逻辑处理，特别是针对不规则的数据结构或对不可预测的存储结构处理能力强。在深度学习任务中，CPU一般负责数据的加载、预处理和转储，启动在GPU的数据传输和函数调用，启动网络传输等；
GPU由于核心众多，所以更擅长数据并行计算，特别是对规则的数据结构，可预测存储模式，具有巨大的速度优势。所以在深度学习任务中，GPU一般负责计算，是深度学习中最关键的要素；
网卡负责数据和模型的上传和下载、分布式训练中的通信；
显而易见，为了提升GPU的利用率，一方面应该将GPU利用率较低的操作移至CPU执行，另一方面应该使各个计算设备之间的计算并发执行，从而避免CPU、GPU和网卡三者计算串行造成的GPU闲置。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开的实施例所提供的用于训练深度学习模型的方法一般由服务器105执行，相应地，用于训练深度学习模型的装置一般设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本公开的用于训练深度学习模型的方法的一个实施例的流程200。该用于训练深度学习模型的方法，包括以下步骤：
步骤201，获取深度学习模型的模型描述信息和配置信息。
在本实施例中，用于训练深度学习模型的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行模型训练的终端接收训练请求。其中，训练请求可包括深度学习模型的模型描述信息和配置信息。训练请求还可以包括训练样本。模型描述信息包括变量和操作，配置信息包括切分点变量、各分段分配的资源的名称。首先进行一些名词约定。一个完整的深度学习模型通过Program(模型描述信息)进行描述，其中主要包含操作(即OP)和变量(Variable)两种实体。比如全连接操作、查找embedding操作都可以看成是一种OP。而网络的参数和各种数据的中间表示都是通过Variable进行描述的。可采用Python语言编写模型描述信息。后端通过转换成可执行的C++程序在指定的资源(CPU或GPU)上运行。
步骤202，根据配置信息中的切分点变量将模型描述信息分成至少两段，并按照各分段分配的资源的名称将模型描述信息加载到相应的资源上运行。
在本实施例中，配置信息包括切分点变量、各分段分配的资源的名称。用户通过配置信息设置在哪里进行切分，以及切分后的各段模型描述信息在哪个设备运行。可人工筛选切分点变量，也可通过程序判断出前向计算和损失值计算的交汇处的变量作为切分点变量。在普通的训练中，一个Program整体会运行在某种设备上(如GPU或CPU)。而流水线并行支持将Program切分成至少两段(称为Section)，每个Section可以指定其运行的设备。此处也是延续了模型并行的思路。具体地，用户可以在自定义前向的Program中指定流水线切分点(切分点均为Variable或Variable的列表，即，可以有多个切分点变量)，服务器据此将完整的包含前向、后向以及优化的Program切分为多个Section，且由切分得到的Section的Program描述各自的计算。前向部分涉及神经网络训练的前向传播过程，后向部分，也称为反向部分涉及神经网络训练的反向传播。还有一部分用于计算损失值。可直接按切分点变量切分，还可将切分点变量对应的梯度变量自动设置为另一个切分点变量进行切分。也就是说可设置一个切分点变量，切出三段。如果设置了K个切分点变量，则可切出2K+1段。
图3a描述了一个完整的例子。一个完整的Program，包括前向(左)和反向(右)两部分。用户指定cut_var这个Variable为切分点，于是流水线框架会把整体的Program切分为三部分：
1、以cut_var为终点的前向部分(图中的section0)
2、从cut_var开始的剩余的前向部分，加上从loss开始的到cut_var@GRAD的反向部分(图中的section1)。需要注意，cut_var@GRAD是cut_var在反向网络中对应的梯度变量。
3、从cut_var@GRAD开始的剩余的反向部分(图中的section2)完成上述对Program的切分之后，配置信息可以为每个Section指定其运行的设备。例如为section0指定在CPU上运行，而section1在GPU上运行等等。该功能使得利用流水线并行框架进行训练，可以充分利用一台机器提供的各个设备。分配的原则为数据的加载、预处理和转储，启动在GPU的数据传输和函数调用，启动网络传输等与内存频繁交互的模型描述信息指定在CPU运行。与密集型计算相关的模型描述信息分配给GPU执行。如在内存交互速度更快的CPU中进行Embedding Lookup的计算和更新操作，而在运算速度更快的GPU中执行矩阵乘法之类的计算密集型操作。此外，通过对不同特点的操作分配不同比例的计算资源并异步并发执行，可以充分发挥不同计算设备的运算能力，提升整体的吞吐。
模型描述信息可以是Python语言编写的，然后转成C++等可执行的程序后在分配好的资源上运行。
步骤203，获取一批次的训练样本并将该批次的训练样本输入第一段模型描述信息对应的资源，开始训练并将得到的中间结果保存在第一上下文信息中；将第一上下文信息输入下一段模型描述信息对应的资源，得到第二上下文信息；以此类推直到得到最后一段模型描述信息对应的资源的运行结果。
在本实施例中，考虑到Paddle深度学习框架的普适性，我们沿用Paddle框架的基本概念，通过对其中一些实体做简要的改造和扩展来实现本功能。用户在Python端描述网络的时候指定的Program切分点、各个Section运行的设备种类和并行度等配置信息，通过proto格式送入后端(c++)训练引擎中，使得后端在运行时可以取得各种配置信息，进行后续的初始化和计算等一系列操作。
先简要介绍后文会频繁用到的一个概念——Scope。Scope是Paddle中一个重要的通用概念，用来存储批量样本计算过程中的上下文信息，例如中间变量等。同一个Program如果运行在多个不同的Scope中，这样不同的Scope对变量就进行了隔离，互不干扰。而在流水线并行的设计中，Scope作为相邻的Section之间的通信实体进行传递，在整个程序运行伊始统一创建出来，并在执行过程中按照顺序在Section中依次传递。后文的ScopeQueue便是保存Scope的队列。
Paddle框架包括组件(类)SectionWorker(分段执行器)，用来管理某个Section上计算的全过程。主要工作包括：
1、初始化阶段会根据输入的proto配置信息，对该Section上的OP进行创建。
2、执行阶段会阻塞等待并从输入Queue中获取Scope资源；基于当前Scope完成Program中描述的计算；将含有计算结果的Scope放入输出Queue中。
Paddle框架包括组件(类)PipelineTrainer(流水线训练器)，用来管理多个SectionWorker的生命周期。主要工作包括：
1、做全局资源的空间开辟和初始化工作：如对SectionWorker的创建，为每个SectionWorker生成OP列表、创建邻接Section之间的Scope队列等实体等。
2、实现流水线并行的启动和必要的调度等工作。例如为每个SectionWorker创建一个执行线程以及线程之间的同步等逻辑。
值得一提的是，为了复用计算Scope中申请的存储资源，PipelineTrainer在初始化时一次性创建足量的Scope，并在训练结束后销毁。
上述内容的一个直观呈现如图3b所示。
步骤204，若满足训练完成条件，则输出训练完成的深度学习模型。
在本实施例中，训练完成条件可包括损失值小于预定值或训练次数达到上限等。训练完成时输出深度学习模型。可返回给终端设备，也可发给发布服务器，发布给其它用户使用。如果训练没完成，则更新下一批的训练样本，继续执行步骤203。
进一步参考图4，其示出了用于训练深度学习模型的方法的又一个实施例的流程400。该用于训练深度学习模型的方法的流程400，包括以下步骤：
步骤401，获取深度学习模型的模型描述信息和配置信息。
步骤401与步骤201基本相同，因此不再赘述。
步骤402，根据配置信息中的切分点变量将模型描述信息分成至少两段，并按各分段分配的资源的比例计算各待分配的资源的数量。
与步骤202大致相同，区别在于配置信息中包括了各分段分配的资源的比例，即每个section的并行度。例如在CPU上运行的section0使用几个线程进行训练，在GPU上运行的section1使用几张GPU卡进行训练等等。这种支持配置计算资源比例的方式，可以充分填补由不同设备计算速度不同而带来的等待时间。例如在上述网络中，如果section1的计算时间是section2的5倍，那么可以通过配置section1和section2的计算资源为5：1，来让两个section的运行时间接近，从而充分利用各个设备的计算资源。
步骤403，按照各分段分配的资源的名称和数量将模型描述信息加载到相应的资源上运行。
步骤404，获取一批次的训练样本并将该批次的训练样本输入第一段模型描述信息对应的资源，开始训练并将得到的中间结果保存在第一上下文信息中；将第一上下文信息输入下一段模型描述信息对应的资源，得到第二上下文信息；以此类推直到得到最后一段模型描述信息对应的资源的运行结果。
步骤405，若满足训练完成条件，则输出训练完成的深度学习模型。
步骤403-步骤405与步骤202-204基本相同，因此不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于训练深度学习模型的方法的流程400创新性地利用了异构设备的特性，通过支持配置计算资源的比例，最大化利用高吞吐的计算设备，从而使得系统的整体性能最大化，如图5所示，通过配比横纹：无纹：竖纹资源的使用比例为2：1：2，可以做到所有设备的利用率充分打满。其中，1-4、a-d分别代表待处理的数据。横纹和竖纹代表2个CPU处理，无纹代表1个GPU处理。GPU比CPU处理速度快，因此横向占用的时间宽度小。
本发明除了上述的创新点之外，还天然的支持数据并行扩展。即将上述经过改造之后的Program完整的复制多份，然后把数据拆分成相应的份数，同时进行训练。
可以看出，本发明同时兼具模型并行和数据并行的能力。而在整合二者能力的同时，又加入了支持异构设备和支持不同设备计算资源配比的功能，进一步丰富了训练模式。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种用于训练深度学习模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的用于训练深度学习模型的装置600包括：获取单元601、切分单元602、训练单元603、迭代单元604。其中，获取单元601，被配置成获取深度学习模型的模型描述信息和配置信息，其中，模型描述信息包括变量和操作，配置信息包括切分点变量、各分段分配的资源的名称；切分单元602，被配置成根据配置信息中的切分点变量将模型描述信息分成至少两段，并按照各分段分配的资源的名称将模型描述信息加载到相应的资源上运行；训练单元603，被配置成执行如下训练步骤：获取一批次的训练样本并将该批次的训练样本输入第一段模型描述信息对应的资源，开始训练并将得到的中间结果保存在第一上下文信息中；将第一上下文信息输入下一段模型描述信息对应的资源，得到第二上下文信息；以此类推直到得到最后一段模型描述信息对应的资源的运行结果；若满足训练完成条件，则输出训练完成的深度学习模型；迭代单元604，被配置成如果不满足训练完成条件，继续获取下一批次的训练样本执行上述训练步骤直到满足训练完成条件。
在本实施例中，用于训练深度学习模型的装置600的获取单元601、切分单元602、训练单元603、迭代单元604的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。
在本实施例的一些可选的实现方式中，配置信息还包括各分段分配的资源的比例；以及切分单元602进一步被配置成：按各分段分配的资源的比例计算各待分配的资源的数量；按照各分段分配的资源的名称和数量将模型描述信息加载到相应的资源上运行。
在本实施例的一些可选的实现方式中，切分单元602进一步被配置成：将以切分点变量为终点的前向部分确定为第一段；将从切分点变量开始的剩余的前向部分加上从损失部分到切分点变量对应的梯度变量确定为第二段；将从切分点变量对应的梯度变量开始的剩余的反向部分确定为第三段。
在本实施例的一些可选的实现方式中，获取单元601进一步被配置成：根据模型描述信息的操作确定出内存频繁交互的操作和计算密集型操作之间的转换变量作为切分点变量；将内存频繁交互的操作分配给CPU执行；将计算密集型操作分配给GPU执行。
在本实施例的一些可选的实现方式中，装置600还包括合并单元(附图中未示出)，被配置成：将训练样本拆分成预定份数；使用每份训练样本进行训练得到一组深度学习模型的参数；每隔一定轮次，各组深度学习模型的参数会进行一次同步。例如，将各组深度学习模型的参数的平均值确定为阶段性的深度学习模型的参数进行同步。
在本实施例的一些可选的实现方式中，上下文信息通过队列传递。
下面参考图7，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)700的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的终端设备/服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取深度学习模型的模型描述信息和配置信息，其中，模型描述信息包括变量和操作，配置信息包括切分点变量、各分段分配的资源的名称；根据配置信息中的切分点变量将模型描述信息分成至少两段，并按照各分段分配的资源的名称将模型描述信息加载到相应的资源上运行；执行如下训练步骤：获取一批次的训练样本并将该批次的训练样本输入第一段模型描述信息对应的资源，开始训练并将得到的中间结果保存在第一上下文信息中；将第一上下文信息输入下一段模型描述信息对应的资源，得到第二上下文信息；以此类推直到得到最后一段模型描述信息对应的资源的运行结果；若满足训练完成条件，则输出训练完成的深度学习模型；否则，继续获取下一批次的训练样本执行上述训练步骤直到满足训练完成条件。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、切分单元、训练单元、迭代单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取深度学习模型的模型描述信息和配置信息的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种用于训练深度学习模型的方法，包括：
获取深度学习模型的模型描述信息和配置信息，其中，所述模型描述信息包括变量和操作，所述配置信息包括切分点变量、各分段分配的资源的名称；
根据所述配置信息中的切分点变量将模型描述信息分成至少两段，并按照各分段分配的资源的名称将模型描述信息加载到相应的资源上运行；
执行如下训练步骤：获取一批次的训练样本并将该批次的训练样本输入第一段模型描述信息对应的资源，开始训练并将得到的中间结果保存在第一上下文信息中；将所述第一上下文信息输入下一段模型描述信息对应的资源，得到第二上下文信息；以此类推直到得到最后一段模型描述信息对应的资源的运行结果；若满足训练完成条件，则输出训练完成的深度学习模型；
否则，继续获取下一批次的训练样本执行上述训练步骤直到满足训练完成条件。
2.根据权利要求1所述的方法，其中，所述配置信息还包括各分段分配的资源的比例；以及
所述按照各分段分配的资源的名称将模型描述信息加载到相应的资源上运行，包括：
按各分段分配的资源的比例计算各待分配的资源的数量；
按照各分段分配的资源的名称和数量将模型描述信息加载到相应的资源上运行。
3.根据权利要求1所述的方法，其中，所述根据所述配置信息中的切分点变量将模型描述信息分成至少两段，包括：
将以切分点变量为终点的前向部分确定为第一段；
将从切分点变量开始的剩余的前向部分加上从损失部分到所述切分点变量对应的梯度变量确定为第二段；
将从所述切分点变量对应的梯度变量开始的剩余的反向部分确定为第三段。
4.根据权利要求1所述的方法，其中，所述获取深度学习模型的模型描述信息和配置信息，包括：
根据所述模型描述信息的操作确定出内存频繁交互的操作和计算密集型操作之间的转换变量作为切分点变量；
将内存频繁交互的操作分配给CPU执行；
将计算密集型操作分配给GPU执行。
5.根据权利要求1所述的方法，其中，所述方法还包括：
将训练样本拆分成预定份数；
使用每份训练样本进行训练得到一组深度学习模型的参数；
每隔一定轮次，各组深度学习模型的参数会进行一次同步。
6.根据权利要求1-5之一所述的方法，其中，上下文信息通过队列传递。
7.一种用于训练深度学习模型的装置，包括：
获取单元，被配置成获取深度学习模型的模型描述信息和配置信息，其中，所述模型描述信息包括变量和操作，所述配置信息包括切分点变量、各分段分配的资源的名称；
切分单元，被配置成根据所述配置信息中的切分点变量将模型描述信息分成至少两段，并按照各分段分配的资源的名称将模型描述信息加载到相应的资源上运行；
训练单元，被配置成执行如下训练步骤：获取一批次的训练样本并将该批次的训练样本输入第一段模型描述信息对应的资源，开始训练并将得到的中间结果保存在第一上下文信息中；将所述第一上下文信息输入下一段模型描述信息对应的资源，得到第二上下文信息；以此类推直到得到最后一段模型描述信息对应的资源的运行结果；若满足训练完成条件，则输出训练完成的深度学习模型；
迭代单元，被配置成如果不满足训练完成条件，继续获取下一批次的训练样本执行上述训练步骤直到满足训练完成条件。
8.根据权利要求7所述的装置，其中，所述配置信息还包括各分段分配的资源的比例；以及
所述切分单元进一步被配置成：
按各分段分配的资源的比例计算各待分配的资源的数量；
按照各分段分配的资源的名称和数量将模型描述信息加载到相应的资源上运行。
9.根据权利要求7所述的装置，其中，所述切分单元进一步被配置成：
将以切分点变量为终点的前向部分确定为第一段；
将从切分点变量开始的剩余的前向部分加上从损失部分到所述切分点变量对应的梯度变量确定为第二段；
将从所述切分点变量对应的梯度变量开始的剩余的反向部分确定为第三段。
10.根据权利要求7所述的装置，其中，所述获取单元进一步被配置成：
根据所述模型描述信息的操作确定出内存频繁交互的操作和计算密集型操作之间的转换变量作为切分点变量；
将内存频繁交互的操作分配给CPU执行；
将计算密集型操作分配给GPU执行。
11.根据权利要求7所述的装置，其中，所述装置还包括合并单元，被配置成：
将训练样本拆分成预定份数；
使用每份训练样本进行训练得到一组深度学习模型的参数；
每隔一定轮次，各组深度学习模型的参数会进行一次同步。
12.根据权利要求7-11之一所述的装置，其中，上下文信息通过队列传递。
13.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN201911162586.0A 2019-11-25 2019-11-25 用于训练深度学习模型的方法和装置 Active CN110889492B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201911162586.0A CN110889492B (zh) 2019-11-25 2019-11-25 用于训练深度学习模型的方法和装置
JP2020572679A JP7029554B2 (ja) 2019-11-25 2020-06-09 深層学習モデルをトレーニングするための方法及び装置、電子機器、コンピュータ可読記憶媒体並びにコンピュータプログラム
KR1020217009428A KR20210042992A (ko) 2019-11-25 2020-06-09 딥러닝 모델을 트레이닝하는 방법 및 장치
EP20866951.5A EP3876161A4 (en) 2019-11-25 2020-06-09 METHOD AND DEVICE FOR TRAINING A DEEP LEARNING MODEL
PCT/CN2020/095192 WO2021103479A1 (zh) 2019-11-25 2020-06-09 用于训练深度学习模型的方法和装置
US17/218,033 US20210216875A1 (en) 2019-11-25 2021-03-30 Method and apparatus for training deep learning model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911162586.0A CN110889492B (zh) 2019-11-25 2019-11-25 用于训练深度学习模型的方法和装置

Publications (2)

Publication Number Publication Date
CN110889492A CN110889492A (zh) 2020-03-17
CN110889492B true CN110889492B (zh) 2022-03-08

Family

ID=69748561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911162586.0A Active CN110889492B (zh) 2019-11-25 2019-11-25 用于训练深度学习模型的方法和装置

Country Status (5)

Country Link
US (1) US20210216875A1 (zh)
EP (1) EP3876161A4 (zh)
JP (1) JP7029554B2 (zh)
CN (1) CN110889492B (zh)
WO (1) WO2021103479A1 (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889492B (zh) * 2019-11-25 2022-03-08 北京百度网讯科技有限公司 用于训练深度学习模型的方法和装置
CN111859904A (zh) * 2020-07-31 2020-10-30 南京三百云信息科技有限公司 Nlp模型优化方法、装置以及计算机设备
CN112329919B (zh) * 2020-11-05 2022-07-29 北京百度网讯科技有限公司 模型训练方法及装置
CN112508188A (zh) * 2020-12-01 2021-03-16 北京奇艺世纪科技有限公司 一种分布式模型训练系统、方法、装置、设备和存储介质
CN112508191A (zh) * 2020-12-14 2021-03-16 北京地平线信息技术有限公司 训练深度学习模型的方法及装置、电子设备及存储介质
CN112966829A (zh) * 2021-03-03 2021-06-15 山东英信计算机技术有限公司 一种深度学习模型的训练方法、装置、设备及可读介质
CN113032117A (zh) * 2021-03-10 2021-06-25 北京百度网讯科技有限公司 深度学习框架的训练方法、装置及存储介质
CN113177632B (zh) * 2021-04-13 2022-10-14 支付宝(杭州)信息技术有限公司 一种基于流水线并行的模型训练方法、装置以及设备
CN113065666A (zh) * 2021-05-11 2021-07-02 海南善沙网络科技有限公司 一种神经网络机器学习模型训练用分布式计算方法
CN113961351B (zh) * 2021-10-28 2022-12-30 北京百度网讯科技有限公司 深度学习模型的分布式训练方法、装置、设备及存储介质
CN114091688B (zh) * 2021-11-25 2022-05-20 北京九章云极科技有限公司 一种计算资源获取方法、装置、电子设备和存储介质
CN114169427B (zh) * 2021-12-06 2022-10-04 北京百度网讯科技有限公司 基于端到端自适应的分布式训练方法、装置、设备
CN114723012A (zh) * 2022-04-14 2022-07-08 支付宝(杭州)信息技术有限公司 基于分布式训练系统的计算方法和装置
CN114841341B (zh) * 2022-04-25 2023-04-28 北京百度网讯科技有限公司 图像处理模型训练及图像处理方法、装置、设备和介质
CN115600687B (zh) * 2022-11-08 2023-06-09 北京百度网讯科技有限公司 模型训练方法、装置、设备以及存储介质
CN117540071B (zh) * 2024-01-09 2024-04-02 南京华芯科晟技术有限公司 一种针对查找引擎的属性表项的配置方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106033554A (zh) * 2015-03-13 2016-10-19 中国科学院声学研究所 一种基于分段的两级深度学习模型的大数据处理方法
CN106156810A (zh) * 2015-04-26 2016-11-23 阿里巴巴集团控股有限公司 通用机器学习算法模型训练方法、系统和计算节点
CN106502791A (zh) * 2016-10-14 2017-03-15 浪潮电子信息产业股份有限公司 一种任务分配方法及装置
CN108734193A (zh) * 2018-03-27 2018-11-02 合肥麟图信息科技有限公司 一种深度学习模型的训练方法及装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016189675A1 (ja) 2015-05-27 2016-12-01 株式会社日立製作所 ニューラルネットワークの学習装置及び学習方法
JP6776696B2 (ja) * 2016-07-26 2020-10-28 富士通株式会社 並列情報処理装置、情報処理方法、およびプログラム
US10776714B2 (en) * 2016-11-04 2020-09-15 Google Llc Constructing and processing computational graphs for dynamically structured machine learning models
CN107766148B (zh) * 2017-08-31 2021-02-19 北京百度网讯科技有限公司 一种异构集群及任务处理方法和装置
US10943171B2 (en) 2017-09-01 2021-03-09 Facebook, Inc. Sparse neural network training optimization
US20190318226A1 (en) 2018-04-12 2019-10-17 Gyrfalcon Technology Inc. Deep Learning Image Processing Systems Using Modularly Connected CNN Based Integrated Circuits
US10769526B2 (en) * 2018-04-24 2020-09-08 Intel Corporation Machine learning accelerator architecture
CN109902818B (zh) * 2019-01-15 2021-05-25 中国科学院信息工程研究所 一种面向深度学习训练任务的分布式加速方法及系统
CN109976903B (zh) * 2019-02-22 2021-06-29 华中科技大学 一种基于层宽内存分配的深度学习异构计算方法和系统
CN110889492B (zh) * 2019-11-25 2022-03-08 北京百度网讯科技有限公司 用于训练深度学习模型的方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106033554A (zh) * 2015-03-13 2016-10-19 中国科学院声学研究所 一种基于分段的两级深度学习模型的大数据处理方法
CN106156810A (zh) * 2015-04-26 2016-11-23 阿里巴巴集团控股有限公司 通用机器学习算法模型训练方法、系统和计算节点
CN106502791A (zh) * 2016-10-14 2017-03-15 浪潮电子信息产业股份有限公司 一种任务分配方法及装置
CN108734193A (zh) * 2018-03-27 2018-11-02 合肥麟图信息科技有限公司 一种深度学习模型的训练方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
An Optimizer for Multi-device;Stefan Hadjis等;《arXiv》;20161019;全文 *

Also Published As

Publication number Publication date
US20210216875A1 (en) 2021-07-15
JP2022515302A (ja) 2022-02-18
CN110889492A (zh) 2020-03-17
WO2021103479A1 (zh) 2021-06-03
EP3876161A4 (en) 2022-10-12
JP7029554B2 (ja) 2022-03-03
EP3876161A1 (en) 2021-09-08

Similar Documents

Publication Publication Date Title
CN110889492B (zh) 用于训练深度学习模型的方法和装置
CN109523187B (zh) 任务调度方法、装置和设备
CN111475298B (zh) 任务处理方法、装置、设备及存储介质
CN109408205B (zh) 基于hadoop集群的任务调度方法和装置
US20180341516A1 (en) Processing jobs using task dependencies
CN111580974B (zh) Gpu实例分配方法、装置、电子设备和计算机可读介质
CN113760488A (zh) 调度任务的方法、装置、设备和计算机可读介质
CN115357350A (zh) 任务配置方法、装置、电子设备和计算机可读介质
CN110489219B (zh) 一种调度功能对象的方法、装置、介质和电子设备
CN116261718A (zh) 用于调谐大规模深度学习工作负载的超参数的资源分配
CN112785676A (zh) 一种图像渲染方法、装置、设备和存储介质
CN111324376A (zh) 功能配置方法、装置、电子设备及计算机可读介质
CN110704099A (zh) 联盟链的构建方法、装置和电子设备
CN115794262A (zh) 任务处理方法、装置、设备、存储介质以及程序产品
KR20210042992A (ko) 딥러닝 모델을 트레이닝하는 방법 및 장치
CN110120959A (zh) 大数据推送方法、装置、系统、设备及可读存储介质
CN116360971A (zh) 基于异构计算框架的处理方法、装置、设备及介质
CN114237902A (zh) 一种服务部署方法、装置、电子设备及计算机可读介质
CN115344359A (zh) 算力资源分配方法、装置、计算机可读存储介质及设备
CN113176937A (zh) 任务处理方法、装置和电子设备
CN109840073B (zh) 业务流程的实现方法和装置
Thanapal et al. A framework for computational offloading to extend the energy of mobile devices in mobile cloud computing
CN116755889B (zh) 应用于服务器集群数据交互的数据加速方法、装置与设备
CN114647472B (zh) 图片处理方法、装置、设备、存储介质和程序产品
CN115378937B (zh) 任务的分布式并发方法、装置、设备和可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant