CN115860114B - 深度学习模型的训练方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种深度学习模型的训练方法、装置、电子设备及存储介质，涉及计算机技术领域，尤其涉及深度学习等人工智能技术领域。具体实现方案为：在图形处理器GPU集群对深度学习模型第n次训练结束后，向GPU集群中每个GPU发送参数广播消息，在接收到第一GPU发送的参数广播完成消息的情况下，控制GPU集群启动对深度学习模型的第n+1次训练，其中，第一GPU关联的第一目标参数为深度学习模型在前向训练过程中最先使用的目标参数。由此，可以使GPU集群中每个GPU在对目标参数进行广播或接收的同时，启动下一次的迭代训练，实现了目标参数的广播或接收与下一次迭代训练并行，不仅提高了GPU资源的利用率，而且提高了深度学习模型的训练效率。

Description

深度学习模型的训练方法、装置、电子设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及深度学习等人工智能技术领域，具体涉及一种深度学习模型的训练方法、装置、电子设备及存储介质。

背景技术

近几年来，大数据驱动的深度学习技术在人工智能的多个领域均取得了可观的性能提升，神经网络模型越来越深，数据规模越来越大已成为目前的基本趋势。复杂的网络模型往往需要更多的训练数据才可获得优秀的泛化能力，然而，训练深模型、大数据这样的组合却有着极大的挑战。深度学习训练任务属于典型的计算密集型任务，因此常采用分布式GPU(Graphics Processing Unit图形处理器)集群进行训练。

因此，如何提高基于分布式GPU集群进行训练的模型的训练效率成为目前重点的研究方向。

发明内容

本公开提供了一种深度学习模型的训练方法、装置、电子设备及存储介质。

根据本公开的第一方面，提供了一种深度学习模型的训练方法，包括：

在图形处理器GPU集群对深度学习模型第n次训练结束后，向所述GPU集群中每个GPU发送参数广播消息，其中n为正整数；

在接收到第一GPU发送的参数广播完成消息的情况下，控制所述GPU集群启动对所述深度学习模型的第n+1次训练，其中，所述第一GPU关联的第一目标参数为所述深度学习模型在前向训练过程中最先使用的目标参数。

根据本公开的第二方面，提供了一种深度学习模型的训练装置，包括：

发送模块，用于在图形处理器GPU集群对深度学习模型第n次训练结束后，向所述GPU集群中每个GPU发送参数广播消息，其中,n为正整数；

控制模块，用于在接收到第一GPU发送的参数广播完成消息的情况下，控制所述GPU集群启动对所述深度学习模型的第n+1次训练，其中，所述第一GPU关联的第一目标参数为所述深度学习模型在前向训练过程中最先使用的目标参数。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的深度学习模型的训练方法。

根据本公开第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如第一方面所述的深度学习模型的训练方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机指令，所述计算机指令在被处理器执行时实现如第一方面所述的深度学习模型的训练方法的步骤。

本公开提供的深度学习模型的训练方法、装置、电子设备及存储介质，存在如下有益效果：

本公开实施例中，可以在图形处理器GPU集群对深度学习模型第n次训练结束后，向GPU集群中每个GPU发送参数广播消息，之后在接收到第一GPU发送的参数广播完成消息的情况下，控制GPU集群启动对深度学习模型的第n+1次训练，其中，第一GPU关联的第一目标参数为深度学习模型在前向训练过程中最先使用的目标参数。由此，可以使GPU集群中的每个GPU在对目标参数进行广播或接收的同时，启动下一次的迭代训练，实现了目标参数的广播或接收与下一次迭代训练并行，不仅提高了GPU资源的利用率，而且缩短了深度学习模型的训练时长，提高了深度学习模型的训练效率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开一实施例提供的一种深度学习模型的训练方法的流程示意图；

图2是根据本公开又一实施例提供的一种深度学习模型的训练方法的流程示意图；

图3为本公开一实施例提供的一种参数广播与前向训练依次进行的时序图；

图4为本公开实施例提供的一种参数广播与前向训练并行的时序图；

图5是根据本公开又一实施例提供的一种深度学习模型的训练方法的流程示意图；

图6是根据本公开一实施例提供的一种深度学习模型的训练装置的结构示意图；

图7是用来实现本公开实施例的深度学习模型的训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开实施例涉及计算机视觉、深度学习等人工智能技术领域。

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

下面参考附图描述本公开实施例的深度学习模型的训练方法、装置、电子设备及存储介质。

其中，需要说明的是，本实施例的深度学习模型的训练方法的执行主体为深度学习模型的训练装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。

图1是根据本公开一实施例提供的一种深度学习模型的训练方法的流程示意图。

如图1所示，该深度学习模型的训练方法包括：

S101：在图形处理器GPU集群对深度学习模型第n次训练结束后，向GPU集群中每个GPU发送参数广播消息，其中n为正整数。

其中，图形处理器GPU，又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备(如平板电脑、智能手机等)上做图像和图形相关运算工作的微处理器。在深度学习模型的训练中，由于深度学习模型的训练数据较多，模型深度较深，因此，常采用多个GPU组成分布式GPU集群对深度学习模型进行训练，以提高深度学习模型的训练速度。

需要说明的是，利用分布式GPU集群对深度学习模型进行训练的过程中可以包括以下步骤：

每个GPU基于当前最新的目标参数进行前向训练，其中，目标参数可以为深度学习模型中待训练的模型参数；

每个GPU进行反向计算，以获取每个目标参数对应的梯度值，并将梯度值发送给目标参数关联的GPU；

每个GPU根据其他GPU发送的梯度值对自己关联的目标参数进行更新。

由此，完成了模型的一次迭代训练，在训练结束之后，每个GPU需要将自己更新后的目标参数广播给其他GPU。

本公开实施例中，在每个GPU对自己关联的目标参数进行更新之后，CPU可以向每个GPU发送参数广播消息。其中，参数广播消息可以用于指示每个GPU将自己更新后的目标参数广播给其他GPU。

可选的，每个GPU可以关联一个目标参数，也可以关联多个目标参数。比如，深度学习模型中待训练的目标参数有1000个，而GPU集群中有10个GPU，则每个GPU关联的目标参数为100个。即每次迭代训练过程中，每个GPU需要对自己关联的100个目标参数进行更新。

S102：在接收到第一GPU发送的参数广播完成消息的情况下，控制GPU集群启动对深度学习模型的第n+1次训练，其中，第一GPU关联的第一目标参数为深度学习模型在前向训练过程中最先使用的目标参数。

本公开实施例中，可以在接收到第一GPU发送的参数广播完成消息的情况下，控制GPU集群进行下一次的迭代训练，从而使GPU集群中的每个GPU在对目标参数进行广播或接收的同时，进行下一次的迭代训练，实现了目标参数的广播或接收与下一次迭代训练并行，不仅提高了GPU资源的利用率，而且缩短了深度学习模型的训练时长，提高了深度学习模型的训练效率。

其中，第一GPU可以为GPU集群中对第一目标参数进行更新的GPU。

可选的，由于第一GPU关联的目标参数的数量可以为一个或多个，因此，在第一GPU关联的目标参数的数量为多个的情况下，第一GPU发送的参数广播消息可以用于指示第一GPU将关联的多个目标参数广播完成。或者，第一GPU发送的参数广播完成消息可以用于指示第一GPU完成了第一目标参数的广播任务。

由此，可以在第一GPU完成了所有目标参数(包含第一目标参数)的广播任务之后，控制GPU集群启动对深度学习模型的第n+1次训练。或者，也可以在第一GPU完成了第一目标参数的广播任务之后，控制GPU集群启动对深度学习模型的第n+1次训练。本公开对此不做限定。

可以理解的是，在参数广播完成消息用于指示第一GPU完成了第一目标参数的广播任务的情况下，可以使GPU集群尽早地启动对深度学习模型的第n+1次训练，从而可以进一步地提高GPU资源的利用率，进一步提高深度学习模型的训练效率。

本公开实施例中，可以在图形处理器GPU集群对深度学习模型第n次训练结束后，向GPU集群中每个GPU发送参数广播消息，之后在接收到第一GPU发送的参数广播完成消息的情况下，控制GPU集群启动对深度学习模型的第n+1次训练，其中，第一GPU关联的第一目标参数为深度学习模型在前向训练过程中最先使用的目标参数。由此，可以使GPU集群中的每个GPU在对目标参数进行广播或接收的同时，启动下一次的迭代训练，实现了目标参数的广播或接收与下一次迭代训练并行，不仅提高了GPU资源的利用率，而且缩短了深度学习模型的训练时长，提高了深度学习模型的训练效率。

图2是根据本公开又一实施例提供的一种深度学习模型的训练方法的流程示意图。

如图2所示，该深度学习模型的训练方法包括：

S201：在图形处理器GPU集群对深度学习模型第n次训练结束后，向GPU集群中每个GPU发送参数广播消息，其中n为正整数。

其中，步骤S201的具体实现形式，可以参照本公开其他各实施例中的详细描述，此处不再具体赘述。

S202：在接收到第一GPU发送的参数广播完成消息的情况下，控制GPU集群对深度学习模型启动基于第一目标参数的第n+1次前向训练。

可以理解的是，由于第一目标参数为深度学习模型在前向训练过程中最先使用的目标参数。因此，在接收到第一GPU发送的参数广播完成消息的情况下，可以控制GPU集群对深度学习模型启动基于第一目标参数的第n+1次前向训练。

S203：在基于第一目标参数的第n+1次前向训练结束的情况下，确定是否获取到第二GPU发送的参数广播完成消息，其中，第二GPU关联的第二目标参数在前向训练过程中的使用顺序，与第一GPU关联的第一目标参数在前向训练过程中的使用顺序相邻，且位于第一GPU关联的第一目标参数在前向训练过程中的使用顺序之后。

可以理解的是，GPU集群在基于第一目标参数，完成第n+1次前向训练结束之后，需要基于目标参数的使用顺序，依次对下一个目标参数进行前向训练。因此，需要确定下一个目标参数对应的GPU是否将参数广播结束。本公开实施例中，第二目标参数可以为前向训练中第二个使用到的目标参数。

S204：在接收到第二GPU发送的参数广播完成消息的情况下，控制GPU集群对深度学习模型启动基于第二目标参数的第n+1次前向训练，直至完成对深度学习模型的第n+1次训练。

可以理解的是，在接收到第二GPU发送的参数广播完成消息之后，说明第二GPU已经成功将第二目标参数广播给GPU集群中的其他GPU，因此，可以控制GPU集群对深度学习模型启动基于第二目标参数的第n+1次前向训练。由此类推，直至完成对深度学习模型的第n+1次训练。

图3为本公开一实施例提供的一种参数广播与前向训练依次进行的时序图；图4为本公开实施例提供的一种参数广播与前向训练并行的时序图。

图3和图4对比可知，明显提高了GPU集群的利用率。

本公开实施例中，在图形处理器GPU集群对深度学习模型第n次训练结束后，向GPU集群中每个GPU发送参数广播消息，之后在接收到第一GPU发送的参数广播完成消息的情况下，控制GPU集群对深度学习模型启动基于第一目标参数的第n+1次前向训练，之后在基于第一目标参数的第n+1次前向训练结束，且接收到第二GPU发送的参数广播完成消息的情况下，控制GPU集群对深度学习模型启动基于第二目标参数的第n+1次前向训练，直至完成对深度学习模型的第n+1次训练。由此，在对深度学习模型进行第n+1次前向训练过程中，基于目标参数在前向训练过程中的使用顺序，依次确定每个目标参数是否广播结束，并在每个目标参数广播结束的情况下，依次对每个目标参数进行前向训练，从而可以控制GPU在对目标参数的广播或接收的同时，进行下一次迭代训练中的前向训练，不仅提高了GPU资源的利用率，而且缩短了深度学习模型的训练时长，提高了深度学习模型的训练效率。

图5是根据本公开又一实施例提供的一种深度学习模型的训练方法的流程示意图。

如图5所示，该深度学习模型的训练方法包括：

S501：在图形处理器GPU集群对深度学习模型第n次训练结束后，基于预设的广播顺序列表，依次向每个GPU发送参数广播消息，其中，广播顺序列表包括各个GPU及每个GPU对应的广播顺序。

本公开实施例中，基于广播顺序列表，依次向每个GPU发送参数广播消息，可以控制GPU有序地依次广播目标参数，避免出现多个GPU同时广播目标参数的情况。

可选的，可以先根据深度学习模型中待训练的目标参数在前向训练过程中的使用顺序，确定目标参数的广播优先级，之后根据GPU集群中每个GPU与目标参数的关联关系及目标参数的广播优先级，生成广播顺序列表。

可选的，前向训练过程中越先使用目标参数，对应的广播优先级越高。即在对目标参数进行广播的过程中，越先广播。

可选的，在一个GPU关联多个目标参数的情况下，可以依据每个目标参数的广播优先级，确定每个GPU关联的目标参数。比如，深度学习模型中待训练的目标参数有1000个，而GPU集群中有10个GPU，则每个GPU关联的目标参数为100个。可以将广播优先级为前100的100个目标参数分配给一个GPU，广播优先级为101至200的100个目标参数分配个一个GPU，依次类推，确定每个GPU关联的100个目标参数。

本公开实施例中，根据目标参数的广播优先级及GPU与目标参数的关联关系，确定广播顺序列表，从而可以基于广播顺序列表，控制GPU集群进行目标参数的广播，使每个GPU依次广播的目标参数，与前向训练中使用目标参数的顺序一致，从而减少GPU集群在前向训练过程中的等待时间，不仅进一步提高了GPU资源的利用率，而且进一步提高了深度学习模型的训练效率。

或者，还可以预先对每个GPU进行依次编号，基于每个GPU对应的编号，生成预设的广播顺序列表。本公开对此不做限定。

S502：在接收到第一GPU发送的参数广播完成消息的情况下，控制GPU集群启动对深度学习模型的第n+1次训练，其中，第一GPU关联的第一目标参数为深度学习模型在前向训练过程中最先使用的目标参数。

其中，步骤S504的具体实现形式，可参照本公开中，其他各实施例中的详细步骤，此处不再具体描述。

S503：在深度学习模型的训练达到预设的停止条件的情况下，向GPU集群中的每个GPU发送参数广播消息及训练停止消息。

其中，预设的停止条件可以为模型的训练次数到达预设次数，或者模型的损失函数值达到期望值等。本公开对此不做限定。

可以理解的是，由于深度学习模型在训练过程中，上一次迭代训练结束后目标参数的广播，与下一次迭代训练中的前行训练是并行的。因此，在深度学习模型的训练达到预设的停止条件的情况下，向GPU集群中的每个GPU发送参数广播消息及训练停止消息，从而实现对GPU中各个目标参数的强制同步，使每个GPU中的每个目标参数一致。

S504：在接收到每个GPU发送的参数广播完成消息的情况下，基于每个目标参数的目标值，生成深度学习模型。

可以理解的是，在接收到每个GPU发送的参数广播完成消息的情况下，说明每个GPU中的每个目标参数一致的，即可根据每个目标参数的目标值，生成深度学习模型，从而完成深度学习模型的训练。

本公开实施例中，可以基于预设的广播顺序列表，依次向每个所述GPU发送所述参数广播消息，在接收到第一GPU发送的参数广播完成消息的情况下，控制GPU集群启动对深度学习模型的第n+1次训练，在深度学习模型的训练达到预设的停止条件的情况下，向GPU集群中的每个GPU发送参数广播消息及训练停止消息，并在接收到每个GPU发送的参数广播完成消息的情况下，基于每个目标参数的目标值，生成深度学习模型。由此，可以基于广播顺序列表，依次向每个GPU发送参数广播消息，使每个GPU依次广播的目标参数，与前向训练中使用目标参数的顺序一致，从而减少GPU集群在前向训练过程中的等待时间，不仅进一步提高了GPU资源的利用率，而且进一步提高了深度学习模型的训练效率。

图6是根据本公开一实施例提供的一种深度学习模型的训练装置的结构示意图；

如图6所示，该深度学习模型的训练装置600，包括：

发送模块610，用于在图形处理器GPU集群对深度学习模型第n次训练结束后，向所述GPU集群中每个GPU发送参数广播消息，其中,n为正整数；

控制模块620，用于在接收到第一GPU发送的参数广播完成消息的情况下，控制所述GPU集群启动对所述深度学习模型的第n+1次训练，其中，所述第一GPU关联的第一目标参数为所述深度学习模型在前向训练过程中最先使用的目标参数。

可选的，控制模块，具体用于：

控制所述GPU集群对所述深度学习模型启动基于所述第一目标参数的第n+1次前向训练；

在基于所述第一目标参数的第n+1次前向训练结束的情况下，确定是否获取到第二GPU发送的参数广播完成消息，其中，所述第二GPU关联的第二目标参数在前向训练过程中的使用顺序，与所述第一GPU关联的第一目标参数在前向训练过程中的使用顺序相邻，且位于所述第一GPU关联的第一目标参数在前向训练过程中的使用顺序之后；

在接收到所述第二GPU发送的参数广播完成消息的情况下，控制所述GPU集群对所述深度学习模型启动基于所述第二目标参数的第n+1次前向训练，直至完成对所述深度学习模型的第n+1次训练。

可选的，发送模块，还具体用于：

基于预设的广播顺序列表，依次向每个GPU发送参数广播消息，其中，广播顺序列表包括各个GPU及每个GPU对应的广播顺序。

可选的，还包括：

确定模块，用于根据深度学习模型中待训练的目标参数在前向训练过程中的使用顺序，确定目标参数的广播优先级；

生成模块，用于根据GPU集群中每个GPU与目标参数的关联关系及目标参数的广播优先级，生成广播顺序列表。

可选的，还包括：

停止模块，用于在所述深度学习模型的训练达到预设的停止条件的情况下，向所述GPU集群中的每个所述GPU发送参数广播消息及训练停止消息；

生成模块，用于在接收到每个所述GPU发送的参数广播完成消息的情况下，基于每个所述目标参数的目标值，生成所述深度学习模型。

可选的，所述第一GPU发送的参数广播完成消息用于指示所述第一GPU完成了所述第一目标参数的广播任务。

需要说明的是，前述对深度学习模型的训练方法的解释说明也适用于本实施例的深度学习模型的训练装置，此处不再赘述。

本公开实施例中，可以在图形处理器GPU集群对深度学习模型第n次训练结束后，向GPU集群中每个GPU发送参数广播消息，之后在接收到第一GPU发送的参数广播完成消息的情况下，控制GPU集群启动对深度学习模型的第n+1次训练，其中，第一GPU关联的第一目标参数为深度学习模型在前向训练过程中最先使用的目标参数。由此，可以使GPU集群中的每个GPU在对目标参数进行广播或接收的同时，启动下一次的迭代训练，实现了目标参数的广播或接收与下一次迭代训练并行，不仅提高了GPU资源的利用率，而且缩短了深度学习模型的训练时长，提高了深度学习模型的训练效率。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元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。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如深度学习模型的训练方法。例如，在一些实施例中，深度学习模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的深度学习模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行深度学习模型的训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网及区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

本实施例中，可以在图形处理器GPU集群对深度学习模型第n次训练结束后，向GPU集群中每个GPU发送参数广播消息，之后在接收到第一GPU发送的参数广播完成消息的情况下，控制GPU集群启动对深度学习模型的第n+1次训练，其中，第一GPU关联的第一目标参数为深度学习模型在前向训练过程中最先使用的目标参数。由此，可以使GPU集群中的每个GPU在对目标参数进行广播或接收的同时，进行下一次的迭代训练，实现了目标参数的广播或接收与下一次迭代训练并行，不仅提高了GPU资源的利用率，而且缩短了深度学习模型的训练时长，提高了深度学习模型的训练效率。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。在本公开的描述中，所使用的词语“如果”及“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“在……情况下”。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (13)

1.一种深度学习模型的训练方法，包括：

在图形处理器GPU集群对深度学习模型第n次训练结束后，向所述GPU集群中每个GPU发送参数广播消息，其中n为正整数；

在接收到第一GPU发送的参数广播完成消息的情况下，控制所述GPU集群启动对所述深度学习模型的第n+1次训练，其中，所述第一GPU关联的第一目标参数为所述深度学习模型在前向训练过程中最先使用的目标参数，其中，所述第一GPU发送的参数广播完成消息用于指示所述第一GPU完成了所述第一目标参数的广播任务；

其中，所述控制所述GPU集群启动对所述深度学习模型的第n+1次训练，包括：

控制所述GPU集群对所述深度学习模型启动基于所述第一目标参数的第n+1次前向训练；

在基于所述第一目标参数的第n+1次前向训练结束的情况下，确定是否获取到第二GPU发送的参数广播完成消息，其中，所述第二GPU关联的第二目标参数在前向训练过程中的使用顺序，与所述第一GPU关联的第一目标参数在前向训练过程中的使用顺序相邻，且位于所述第一GPU关联的第一目标参数在前向训练过程中的使用顺序之后；

在接收到所述第二GPU发送的参数广播完成消息的情况下，控制所述GPU集群对所述深度学习模型启动基于所述第二目标参数的第n+1次前向训练，直至完成对所述深度学习模型的第n+1次训练。

2.根据权利要求1所述的方法，其中，所述向所述GPU集群中每个GPU发送参数广播消息，包括：

基于预设的广播顺序列表，依次向每个所述GPU发送所述参数广播消息，其中，所述广播顺序列表包括各个所述GPU及每个所述GPU对应的广播顺序。

3.根据权利要求2所述的方法，其中，在所述基于预设的广播顺序列表，依次向每个所述GPU发送所述参数广播消息之前，还包括：

根据所述深度学习模型中待训练的目标参数在前向训练过程中的使用顺序，确定所述目标参数的广播优先级；

根据所述GPU集群中每个GPU与所述目标参数的关联关系及所述目标参数的广播优先级，生成所述广播顺序列表。

4.根据权利要求1所述的方法，其中，还包括：

在所述深度学习模型的训练达到预设的停止条件的情况下，向所述GPU集群中的每个所述GPU发送参数广播消息及训练停止消息；

在接收到每个所述GPU发送的参数广播完成消息的情况下，基于每个所述目标参数的目标值，生成所述深度学习模型。

5.根据权利要求1-4任一所述的方法，其中，所述第一GPU发送的参数广播完成消息用于指示所述第一GPU完成了所述第一目标参数的广播任务。

6.一种深度学习模型的训练装置，包括：

发送模块，用于在图形处理器GPU集群对深度学习模型第n次训练结束后，向所述GPU集群中每个GPU发送参数广播消息，其中n为正整数；

控制模块，用于在接收到第一GPU发送的参数广播完成消息的情况下，控制所述GPU集群启动对所述深度学习模型的第n+1次训练，其中，所述第一GPU关联的第一目标参数为所述深度学习模型在前向训练过程中最先使用的目标参数，其中，所述第一GPU发送的参数广播完成消息用于指示所述第一GPU完成了所述第一目标参数的广播任务；

其中，控制模块，具体用于：

控制所述GPU集群对所述深度学习模型启动基于所述第一目标参数的第n+1次前向训练；

在基于所述第一目标参数的第n+1次前向训练结束的情况下，确定是否获取到第二GPU发送的参数广播完成消息，其中，所述第二GPU关联的第二目标参数在前向训练过程中的使用顺序，与所述第一GPU关联的第一目标参数在前向训练过程中的使用顺序相邻，且位于所述第一GPU关联的第一目标参数在前向训练过程中的使用顺序之后；

在接收到所述第二GPU发送的参数广播完成消息的情况下，控制所述GPU集群对所述深度学习模型启动基于所述第二目标参数的第n+1次前向训练，直至完成对所述深度学习模型的第n+1次训练。

7.根据权利要求6所述的装置，其中，所述发送模块，还具体用于：

基于预设的广播顺序列表，依次向每个所述GPU发送所述参数广播消息，其中，所述广播顺序列表包括各个所述GPU及每个所述GPU对应的广播顺序。

8.根据权利要求7所述的装置，其中，还包括：

确定模块，用于根据所述深度学习模型中待训练的目标参数在前向训练过程中的使用顺序，确定所述目标参数的广播优先级；

生成模块，用于根据所述GPU集群中每个GPU与所述目标参数的关联关系及所述目标参数的广播优先级，生成所述广播顺序列表。

9.根据权利要求6所述的装置，其中，还包括：

停止模块，用于在所述深度学习模型的训练达到预设的停止条件的情况下，向所述GPU集群中的每个所述GPU发送参数广播消息及训练停止消息；

生成模块，用于在接收到每个所述GPU发送的参数广播完成消息的情况下，基于每个所述目标参数的目标值，生成所述深度学习模型。

10.根据权利要求6-9任一所述的装置，其中，所述第一GPU发送的参数广播完成消息用于指示所述第一GPU完成了所述第一目标参数的广播任务。

11.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。

13.一种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行时实现权利要求1-5中任一项所述方法的步骤。