CN112784968A - 一种加速分布式深度神经网络训练的混合流水线并行方法 - Google Patents
一种加速分布式深度神经网络训练的混合流水线并行方法 Download PDFInfo
- Publication number
- CN112784968A CN112784968A CN202110134151.6A CN202110134151A CN112784968A CN 112784968 A CN112784968 A CN 112784968A CN 202110134151 A CN202110134151 A CN 202110134151A CN 112784968 A CN112784968 A CN 112784968A
- Authority
- CN
- China
- Prior art keywords
- parallel
- layer
- neural network
- time
- hybrid
- 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.)
- Pending
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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06F9/505—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 the load
-
- 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]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- 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
Abstract
本发明提供一种加速深度神经网络分布式训练的混合流水线并行方法,主要解决传统GPU集群分布式训练过程中资源利用不充分,无法实现高效分布式训练的问题。本发明的核心机制主要包含三个部分,分别是深度学习模型刻画、模型混合划分与混合流水线并行划分。本发明首先针对深度学习应用在GPU训练过程中的资源需求,刻画出其训练过程中计算量、中间结果通信数量、参数同步量等相应指标,并将其作为模型混合划分与任务放置的输入。然后根据模型刻画结果和GPU集群的环境,设计两个基于动态规划的划分算法,实现模型混合划分与混合流水线并行划分,目的是最小化划分之后各阶段任务执行时间的最大值,以确保负载均衡,实现深度神经网络的高效分布式训练。
Description
所属领域
本发明涉及一种混合流水线分布式深度学习中的模型划分与任务放置方法,属于分布式计算技术领域。
背景技术
深度学习是一类模式分析方法的总称,通过深度神经网络,利用多层非线性信息进行有监督或无监督的特征提取和转换。近年来,随着技术的不断进步,深度学习在譬如图像识别、自然语言处理、人机对抗等多个领域取得了广泛的应用。但是随着深度学习的不断发展,网络的深度越来越深,层数越来越多,训练时间也在不断地增加,通常训练一个完整的深度神经网络模型需要几十小时甚至数周或数月,因此如何高效地执行训练过程,减少训练时间,成为近期人们研究的热点。
深度神经网络的训练主要包含三个部分:(1)正向传播。正向传播指神经网络从训练集中读取带有标签的数据,通过隐藏层和激活层运算,最后由输出层输出结果的过程。为了加快训练速度以及减少噪声带来的影响,通常一次迭代会处理一组数据。(2)反向传播。正向传播输出结果后,需要与训练集本身的标签进行比对,用合适的函数计算出训练值与真实值之间的误差。由于各个参数对误差影响的权重大小不同,为了计算权重,从正向传播的反方向,由链式求导法则,依次求出各层参数的梯度,计算梯度时需要用到相应层前向传播的中间结果。(3)梯度下降。根据计算值与真实值之间的误差和反向传播中求解出的各层参数的梯度,对每一层的参数进行梯度下降,更新参数,完成一次迭代。通过这三个步骤的不断迭代,最终神经网络达到收敛的状态。
由于随着模型的不断发展,模型层数越来越多,所需要的计算能力和显存占用越来越大,分布式机器学习成为了人们关注的重点问题。传统分布式机器学习主要分为两种方式:(1)数据并行。数据并行是指在多块GPU上,每块GPU都含有一个模型的完整副本,使用部分数据,各自相对独立地进行训练。一次迭代完成后,会由参数服务器收集所有GPU上的参数然后执行参数同步更新。随着GPU计算能力的不断提升,计算时间不断被缩短,这时参数同步所需的通信时间就成为了数据并行中的瓶颈,大大降低了分布式训练的性能。(2)模型并行。模型并行将模型从中间切分,划分到不同的GPU上,每块GPU只拥有完整模型的一部分。正向传播时,先计算模型的第一部分stage1,然后将中间结果发送到第二部分stage2,继续计算。反向传播和梯度下降同理。但是由于stage正向传播后需要等待后面的stage反向传播的结果,等待时间中该GPU一直处于空闲状态,大大降低了分布式计算的性能。同时,如何合理地切分模型,使得各个stage达到负载均衡,也是用户需要考虑的难点。
针对这两种并行方式各自的特点,近期研究者们提出了两种方式来改进分布式机器学习。一种是混合并行,传统的数据并行是从数据的batch维度进行切分的,混合并行从张量的角度进行切分,扩展了并行方式,从而减少通信瓶颈,提高了GPU的利用率。另一种是流水线并行,是一种对模型并行的改进。在模型并行的正向传播过程中,一个GPU在进行完一组数据的计算后,不再一直等待反向传播,而是继续计算下一组数据的正向传播过程。通过合理地分配正向和反向传播的执行顺序,达到理论上的负载均衡,大大减少了GPU的空闲时间,提高了并行效率。但是,在现有的工作中,并没有综合考虑这两种并行方式,导致策略的划分不够完备,GPU的利用率不够高。因此,如何结合混合并行和流水线并行,设计有效的算法实现模型划分从而提升训练速度,成为关键问题。
发明内容
本发明主要针对目前流水线训练模式下分布式深度学习的训练加速,提出一种混合模型划分与任务放置方法。在混合流水线模式下,同一时间片,不同的阶段中GPU在执行模型不同部分的相应计算,为了使得模型训练并行化程度高,提升分布式训练速度,需要在模型划分时不仅考虑训练速度还应考虑各阶段之间负载均衡以及混合并行的方式。为此,该方法根据深度神经网络的层级特性,先求解出混合并行的结果,再根据此结果,结合流水线并行的特点,用动态规划求解出负载均衡的模型划分与任务放置。
为了实现上述目的,本发明的技术方案如下:一种加速分布式深度神经网络训练的混合流水线并行方法,该方法包括以下步骤:
步骤一:建立深度神经网络的层次累积分布函数(CDF)模型,分析深度学习应用执行模型划分与任务放置算法所需相应输入条件,使用pytorch框架,得到每一层的参数量;然后根据给定的batch-size大小,计算出每一层的中间结果通信量;最后根据每层网络的类型,比如卷积层,全连接层等,计算出每一层的浮点计算量,为步骤二做准备工作;
步骤二:根据步骤一的结果,采用动态规划的算法,求解出深度神经网络任意两层间采用不同混合并行方式时的并行时间,为步骤三做准备工作;
步骤三:基于步骤二中求解出的混合并行模式下的结果,采用动态规划的算法,划分不同的阶段,每个阶段内包含神经网络部分连续的层,并给出阶段内采用的混合并行方式,目的是最小化划分之后各阶段任务执行时间之间的最大值,使得混合并行模式下,GPU负载尽可能地均衡,提升GPU利用率以加速分布式训练。
其中,所述步骤一具体如下:
为神经网络层次模型建立累积分布函数模型,在给定超参数的前提下,根据设备拓扑D刻画神经网络层级结构相应指标:
a刻画神经网络各层前向反向计算总时间Tcp;
b刻画神经网络各层输入量Sizeini;
c刻画神经网络各层输出量Sizeouti;
d刻画神经网络各层参数量wi。
其中,所述步骤二具体如下:
混合并行划分算法,混合并行划分的目标是求解出任意两层间最优的混合并行方式,在给定带宽B的前提下,根据综合根据动态规划的思想,该问题转换为求任意一层到最后一层间混合并行的并行时间,保留中间结果即可通过回溯找到任意两层间的最优混合并行策略,根据Sizeini,Sizeouti,wi计算出每一层不同划分所需要通信量,根据带宽B计算出通信时间,选择当前层最优策略,A(i,j,m)代表i→j层,使用m块卡混合并行的最优策略,T(k,m,TYPE)代表k层,使用m块卡,并行方式为TYPE时混合并行的时间;
所述步骤三中,以步骤二的混合并行划分结果为基础,用动态规划的算法,将模型划分为多个阶段,每个阶段为神经网络中的部分连续层,阶段内采用最优的混合并行的方式,阶段间采用流水线模型并行,根据Sizeini,Sizeouti,wi,B计算出每种划分的通信时间,划分目标是最小化划分之后各个阶段计算和通信时间的最大值,提高GPU利用率,加快训练速度,令Cps为阶段s采用最优混合并行的计算时间,Cms为阶段s采用最优混合并行的通信时间,在流水线模式下,总时间可以转化为所有阶段中计算和通信时间之和的最大的阶段所用的时间;
通过动态规划的方法,求解出所有阶段中计算和通信时间之和的最大的阶段所用的时间,使得各个阶段的时间大致相当,在混合并行模式下,GPU负载尽可能地均衡。
相对于现有技术,本发明的有益效果如下:该方案提供的一种加速分布式深度神经网络训练的混合流水线并行方法能解决传统模型划分与任务放置对模型的划分方式考虑不够全面,导致分布式深度学习过程负载不均及GPU利用不充分的问题,从张量计算的角度出发,通过对张量的不同维度进行切分,提出了混合并行的方法,扩展了传统的并行方式,增加了并行的可能性;然后全面考虑多种划分方式,将模型划分为多个阶段,阶段内采用混合并行,阶段间采用流水线并行,最小化所有阶段中计算和通信时间之和的最大的阶段所用的时间,从而提升GPU集群环境中流水线分布式深度学习的训练速度。
附图说明
图1为本发明GPU集群示意图;
图2为本发明混合并行方式示意图;
图3为本发明整体流程图;
图4为本发明总体设计示意图。
具体实施方式
下面结合附图及具体实施方式对本发明再作进一步详细的说明。
实施例1:参见图1,一种加速分布式深度神经网络训练的混合流水线并行方法,该方法包括以下步骤:
步骤一:建立深度神经网络的层次累积分布函数(CDF)模型,分析深度学习应用执行模型划分与任务放置算法所需相应输入条件,使用pytorch框架,得到每一层的参数量;然后根据给定的batch-size大小,计算出每一层的中间结果通信量;最后根据每层网络的类型,比如卷积层,全连接层等,计算出每一层的浮点计算量,为步骤二做准备工作;
步骤二:根据步骤一的结果,采用动态规划的算法,求解出深度神经网络任意两层间采用不同混合并行方式时的并行时间,为步骤三做准备工作;
步骤三:基于步骤二中求解出的混合并行模式下的结果,采用动态规划的算法,划分不同的阶段,每个阶段内包含神经网络部分连续的层,并给出阶段内采用的混合并行方式,目的是最小化划分之后各阶段任务执行时间之间的最大值,使得混合并行模式下,GPU负载尽可能地均衡,提升GPU利用率以加速分布式训练。
其中,所述步骤一具体如下:
为神经网络层次模型建立累积分布函数模型,在给定超参数的前提下,根据设备拓扑D刻画神经网络层级结构相应指标:
a刻画神经网络各层前向反向计算总时间Tcp;
b刻画神经网络各层输入量Sizeini;
c刻画神经网络各层输出量Sizeouti;
d刻画神经网络各层参数量wi。
其中,所述步骤二具体如下:
混合并行划分算法,混合并行划分的目标是求解出任意两层间最优的混合并行方式,在给定带宽B的前提下,根据综合根据动态规划的思想,该问题转换为求任意一层到最后一层间混合并行的并行时间,保留中间结果即可通过回溯找到任意两层间的最优混合并行策略,根据Sizeini,Sizeouti,wi计算出每一层不同划分所需要通信量,根据带宽B计算出通信时间,选择当前层最优策略,A(i,j,m)代表i→j层,使用m块卡混合并行的最优策略,T(k,m,TYPE)代表k层,使用m块卡,并行方式为TYPE时混合并行的时间;
所述步骤三中,以步骤二的混合并行划分结果为基础,用动态规划的算法,将模型划分为多个阶段,每个阶段为神经网络中的部分连续层,阶段内采用最优的混合并行的方式,阶段间采用流水线模型并行,根据Sizeini,Sizeouti,wi,B计算出每种划分的通信时间,划分目标是最小化划分之后各个阶段计算和通信时间的最大值,提高GPU利用率,加快训练速度,令Cps为阶段s采用最优混合并行的计算时间,Cms为阶段s采用最优混合并行的通信时间,在流水线模式下,总时间可以转化为所有阶段中计算和通信时间之和的最大的阶段所用的时间;
通过动态规划的方法,求解出所有阶段中计算和通信时间之和的最大的阶段所用的时间,使得各个阶段的时间大致相当,在混合并行模式下,GPU负载尽可能地均衡。
具体实施例:本发明主要在GPU集群环境下进行。
图1表示的是GPU集群示意图,主要包若干GPU服务器节点,每个服务器节点上有若干块GPU,节点内部通过PCIe连接,节点间通过以太网等连接。
图2表示的是混合并行方式示意图,同一矩形划分两部分,代表划分方式,不同部分的矩形堆叠在一起代表重复计算部分,也即需要通信的部分。三张图对应三种张量划分方式,分别需要通信权重参数,输出层数据,输入层数据。
图3表示的是整体的流程图,首选初始化系统,载入输入数据并且创建指定模型,之后按层刻画模型,计算出累积分布函数模型。再根据GPU集群的环境进行混合并行划分。最后用混合并行划分的结果,设计划分流水线并行的各个阶段,每个阶段内包含神经网络部分连续的层,并给出阶段内采用的混合并行方式,目的是最小化划分之后各阶段任务执行时间之间的最大值,给出最终策略。
在模型刻画阶段,对于计算量而言,利用torchstat库打印出神经网络在GPU上依次执行前向传播反向传播的矩阵计算(mkldnn_convolution、max_pool2d_with_indices、batch_norm、addmm等)所需计算量,然后按照GPU计算能力得到计算时间。对于通信量而言,同样打印出各层输出的矩阵形状以及神经网络各层参数的数量,然后按照浮点数所需字节计算得到各层中间结果以及参数大小。通过预训练之后得到:各层刻画神经网络各层前向反向计算总时间Tcp;神经网络各层中间结果Sizeini,Sizeouti;神经网络各层参数量wi。
在混合并行划分阶段,目标是求解出任意两层间最优的混合并行方式,根据动态规划的思想,该问题转换为求任意一层到最后一层间混合并行的并行时间,保留中间结果即可通过回溯找到任意两层间的最优混合并行策略。
在混合流水线并行划分阶段,将模型划分为多个阶段,每个阶段为神经网络中的部分连续层。阶段内采用最优的混合并行的方式,阶段间采用流水线模型并行。划分目标是最小化划分之后各个阶段计算和通信时间的最大值,提高GPU利用率,加快训练速度。
对于混合并行划分和混合流水线并行划分问题,建立数学模型:
1)GPU集群中物理资源建模:
变量 | 含义 |
D | GPU集群设备 |
B | GPU集群带宽 |
表1物理资源建模表示结果
2)神经网络建模:
表2神经网络计算需求建模表示结果
a.第i层的通信量:
b.第i层的总时间
T=Tcm+Tcp
c.表i→j层,使用m块卡混合并行的最优策略:
d.整体目标为最小化一次迭代的总时间,可以转化为所有阶段中计算和通信时间之和的最大的阶段所用的时间。
混合并行划分阶段的伪代码如下:
对于算法1而言,输入为神经网络各层参数Layer,GPU个数M,GPU集群带宽M,。算法输出为任意两层间最优的混合并行方式。算法1的第一第二行,使用for循环,遍历了任意层到最后一层在任意设备下的混合并行情况,由于这是一个子最优问题,采用动态规划的思想,可以同时得出任意两层间任意设备下的混合并行情况。第4行到第6行,具体计算混合并行所需要的时间。在当前层选择一种并行方式,根据Sizeini,Sizeouti,wi计算出每一层不同划分所需要通信量,根据带宽B分别计算出与前一层三种并行方式并行所需要的总时间Tcp+Tcm,取其中的最小值。然后遍历当前层所有的并行方式,保存时间最短的一个,然后记录下来。循环结束后,输出任意两层间最优的混合并行方式。
算法2混合流水线并行划分 |
输入:算法1中混合并行的结果,GPU个数M,GPU集群带宽M |
输出:混合流水线并行划分结果 |
1:functionCOMPUTE PARTITIONING(Hybrid;M) |
2:end=len(Hybrid) |
3:fori=0toend;j=itoend;m=1toMdo |
4:Initialize Split(i;j;m)=(INF;0;0) |
5:fork=itoj;n=1tom do |
6:New Split(i;j;m)=Hybrid(i;j;k;n) |
7:ifNewSplit.time<Split.timethen |
8:Split(i;j;m)=(time;k;n) |
9:endif |
10:endfor |
11:endfor |
12:k=0;m=M |
13:whilek<end and m<M do |
14:Split layer[k;end]from Split(k;end;m):split |
15:m=m-Split(k;end;m):machine used |
16:k=Split(k;end;m):split |
17:endwhile |
18:endfunction |
算法2的输入为算法1中混合并行的结果,GPU个数M,GPU集群带宽M,输出为混合流水线并行划分结果。算法2第2行到第5行初始化参数,使用for循环,循环遍历任意i到j层,从中间的k层切分,i~k层使用m块卡进行混合并行。第6行到第8行,每次划分后,根据Sizeini,Sizeouti,wi计算出划分所需要通信量,然后根据带宽B计算并行所需要的时间Tcm,如果比之前的时间更优,则更新并行方式,然后存进表中。第12到第17行,进行混合流水线并行划分,首先从i~end层,根据上述建立的表,选择最优的划分方式,用m块卡,从k层切分。之后再对k~end层,M-m块卡,采用类似的方法划分,直到划分结束。最后输出混合流水线并行划分结果。
本发明还可有其他多种实施方式,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可根据本发明做出各种相应的改变和变形,这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (4)
1.一种加速深度神经网络分布式训练的混合流水线并行方法,其特征在于:该方法包括以下步骤:
步骤一:建立深度神经网络的层次累积分布函数(CDF)模型,分析深度学习应用执行模型划分与任务放置算法所需相应输入条件,使用pytorch框架,得到每一层的参数量;然后根据给定的batch-size大小,计算出每一层的中间结果通信量;最后根据每层网络的类型,计算出每一层的浮点计算量,为步骤二做准备工作;
步骤二:根据步骤一的结果,采用动态规划的算法,求解出深度神经网络任意两层间采用不同混合并行方式时的并行时间,为步骤三做准备工作;
步骤三:基于步骤二中求解出的混合并行模式下的结果,采用动态规划的算法,划分不同的阶段,每个阶段内包含神经网络部分连续的层,并给出阶段内采用的混合并行方式,目的是最小化划分之后各阶段任务执行时间之间的最大值,使得混合并行模式下,GPU负载尽可能地均衡,提升GPU利用率以加速分布式训练。
2.根据权利要求1所述的一种加速分布式深度神经网络训练的混合流水线并行方法,其特征在于:所述步骤一具体如下:
为神经网络层次模型建立累积分布函数模型,在给定超参数的前提下,根据设备拓扑D刻画神经网络层级结构相应指标:
a.刻画神经网络各层前向反向计算总时间Tcp;
b.刻画神经网络各层输入量Sizeini;
c.刻画神经网络各层输出量Sizeouti;
d.刻画神经网络各层参数量wi。
3.根据权利要求1所述的一种加速深度神经网络分布式训练的混合流水线并行方法,其特征在于:所述步骤二具体如下:
混合并行划分算法,混合并行划分的目标是求解出任意两层间最优的混合并行方式,在给定带宽B的前提下,根据综合根据动态规划的思想,该问题转换为求任意一层到最后一层间混合并行的并行时间,保留中间结果即可通过回溯找到任意两层间的最优混合并行策略,根据Sizeini,Sizeouti,wi计算出每一层不同划分所需要通信量,根据带宽B计算出通信时间,选择当前层最优策略,A(i,j,m)代表i→j层,使用m块卡混合并行的最优策略,T(k,m,TYPE)代表k层,使用m块卡,并行方式为TYPE时混合并行的时间;
4.根据权利要求1所述的一种加速分布式深度神经网络训练的混合流水线并行方法,其特征在于:所述步骤三中,以步骤二中的混合并行划分结果为基础,用动态规划的算法,将模型划分为多个阶段,每个阶段为神经网络中的部分连续层,阶段内采用最优的混合并行的方式,阶段间采用流水线模型并行,根据Sizeini,Sizeouti,wi,B计算出每种划分的通信时间,划分目标是最小化划分之后各个阶段计算和通信时间的最大值,提高GPU利用率,加快训练速度,令Cps为阶段s采用最优混合并行的计算时间,Cms为阶段s采用最优混合并行的通信时间,在流水线模式下,总时间可以转化为所有阶段中计算和通信时间之和的最大的阶段所用的时间;
通过动态规划的方法,求解出所有阶段中计算和通信时间之和的最大的阶段所用的时间,使得各个阶段的时间大致相当,在混合并行模式下,GPU负载尽可能地均衡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110134151.6A CN112784968A (zh) | 2021-01-29 | 2021-01-29 | 一种加速分布式深度神经网络训练的混合流水线并行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110134151.6A CN112784968A (zh) | 2021-01-29 | 2021-01-29 | 一种加速分布式深度神经网络训练的混合流水线并行方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112784968A true CN112784968A (zh) | 2021-05-11 |
Family
ID=75760182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110134151.6A Pending CN112784968A (zh) | 2021-01-29 | 2021-01-29 | 一种加速分布式深度神经网络训练的混合流水线并行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784968A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114035937A (zh) * | 2021-10-15 | 2022-02-11 | 北京潞晨科技有限公司 | 一种基于人工智能的分布式训练和推理方法、系统、设备和可读存储介质 |
CN114356578A (zh) * | 2022-01-11 | 2022-04-15 | 中国人民解放军国防科技大学 | 自然语言处理模型的并行计算方法、装置、设备及介质 |
CN114356540A (zh) * | 2021-10-30 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 一种参数更新方法、装置、电子设备和存储介质 |
CN114997390A (zh) * | 2022-07-28 | 2022-09-02 | 深圳市信润富联数字科技有限公司 | 基于gpu加速神经网络训练方法、装置及存储介质 |
CN115437795A (zh) * | 2022-11-07 | 2022-12-06 | 东南大学 | 一种异构gpu集群负载感知的显存重计算优化方法及系统 |
CN115994567A (zh) * | 2022-12-28 | 2023-04-21 | 兰州交通大学 | 一种深度神经网络模型并行计算任务异步调度方法 |
CN116050499A (zh) * | 2023-04-03 | 2023-05-02 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种模型并行训练中的自适应模型划分方法、系统及设备 |
CN116258197A (zh) * | 2023-05-16 | 2023-06-13 | 之江实验室 | 基于参数计算和通信调度的分布式训练加速方法和系统 |
CN117313823A (zh) * | 2023-11-28 | 2023-12-29 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种卷积循环神经网络混合分布式并行训练方法及系统 |
WO2024060788A1 (zh) * | 2022-09-21 | 2024-03-28 | 之江实验室 | 面向智能计算的流水并行训练自适应调整系统、方法 |
-
2021
- 2021-01-29 CN CN202110134151.6A patent/CN112784968A/zh active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114035937A (zh) * | 2021-10-15 | 2022-02-11 | 北京潞晨科技有限公司 | 一种基于人工智能的分布式训练和推理方法、系统、设备和可读存储介质 |
CN114356540A (zh) * | 2021-10-30 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 一种参数更新方法、装置、电子设备和存储介质 |
CN114356578A (zh) * | 2022-01-11 | 2022-04-15 | 中国人民解放军国防科技大学 | 自然语言处理模型的并行计算方法、装置、设备及介质 |
CN114356578B (zh) * | 2022-01-11 | 2024-03-12 | 中国人民解放军国防科技大学 | 自然语言处理模型的并行计算方法、装置、设备及介质 |
CN114997390B (zh) * | 2022-07-28 | 2022-11-15 | 深圳市信润富联数字科技有限公司 | 基于gpu加速神经网络训练方法、装置及存储介质 |
CN114997390A (zh) * | 2022-07-28 | 2022-09-02 | 深圳市信润富联数字科技有限公司 | 基于gpu加速神经网络训练方法、装置及存储介质 |
WO2024060788A1 (zh) * | 2022-09-21 | 2024-03-28 | 之江实验室 | 面向智能计算的流水并行训练自适应调整系统、方法 |
CN115437795A (zh) * | 2022-11-07 | 2022-12-06 | 东南大学 | 一种异构gpu集群负载感知的显存重计算优化方法及系统 |
CN115994567A (zh) * | 2022-12-28 | 2023-04-21 | 兰州交通大学 | 一种深度神经网络模型并行计算任务异步调度方法 |
CN115994567B (zh) * | 2022-12-28 | 2024-03-22 | 兰州交通大学 | 一种深度神经网络模型并行计算任务异步调度方法 |
CN116050499A (zh) * | 2023-04-03 | 2023-05-02 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种模型并行训练中的自适应模型划分方法、系统及设备 |
CN116050499B (zh) * | 2023-04-03 | 2023-07-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种模型并行训练中的自适应模型划分方法、系统及设备 |
CN116258197A (zh) * | 2023-05-16 | 2023-06-13 | 之江实验室 | 基于参数计算和通信调度的分布式训练加速方法和系统 |
CN116258197B (zh) * | 2023-05-16 | 2023-09-08 | 之江实验室 | 基于参数计算和通信调度的分布式训练加速方法和系统 |
CN117313823A (zh) * | 2023-11-28 | 2023-12-29 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种卷积循环神经网络混合分布式并行训练方法及系统 |
CN117313823B (zh) * | 2023-11-28 | 2024-04-12 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种卷积循环神经网络混合分布式并行训练方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784968A (zh) | 一种加速分布式深度神经网络训练的混合流水线并行方法 | |
CN110533183B (zh) | 流水线分布式深度学习中异构网络感知的任务放置方法 | |
CN111178519B (zh) | 卷积神经网络加速引擎、卷积神经网络加速系统及方法 | |
CN107330516A (zh) | 模型参数训练方法、装置及系统 | |
CN114756383A (zh) | 一种分布式计算方法、系统、设备及存储介质 | |
CN108460457A (zh) | 一种面向卷积神经网络的多机多卡混合并行异步训练方法 | |
CN112464784A (zh) | 一种基于混合并行的分布式训练方法 | |
CN107578094A (zh) | 基于参数服务器和fpga实现神经网络分布式训练的方法 | |
CN105094970B (zh) | 一种求解分布式系统下可分任务多趟调度模型的方法 | |
CN114418129B (zh) | 一种深度学习模型训练方法及相关装置 | |
Tanaka et al. | Automatic graph partitioning for very large-scale deep learning | |
CN115994567B (zh) | 一种深度神经网络模型并行计算任务异步调度方法 | |
CN109635922A (zh) | 一种分布式深度学习参数量化通信优化方法及系统 | |
CN115437795B (zh) | 一种异构gpu集群负载感知的显存重计算优化方法及系统 | |
CN109657794A (zh) | 一种基于指令队列的分布式深度神经网络性能建模方法 | |
CN114626499A (zh) | 用稀疏化注意力辅助决策的嵌入式多智能体强化学习方法 | |
CN112862083B (zh) | 一种边缘环境下的深度神经网络推断方法及装置 | |
CN111695701B (zh) | 基于联邦学习实现数据集构建处理的系统及其构建生成方法 | |
CN109982095B (zh) | 基于cnn与gep的分形图像压缩编码方法 | |
CN116400963A (zh) | 一种基于负载均衡的模型自动并行方法、设备及存储介质 | |
CN115952856A (zh) | 一种基于双向分割的神经网络流水线并行训练方法及系统 | |
CN113010748A (zh) | 一种基于亲和聚类的分布式大图划分方法 | |
Ward et al. | Efficient mapping of the training of Convolutional Neural Networks to a CUDA-based cluster | |
CN116883229A (zh) | 异构gpu集群中加速神经网络训练的流水线并行方法 | |
CN111078361A (zh) | 基于分布式估计算法的云工作流调度优化方法 |
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 |