CN116187426A - 深度学习模型的模型参数多流广播方法及其装置 - Google Patents
深度学习模型的模型参数多流广播方法及其装置 Download PDFInfo
- Publication number
- CN116187426A CN116187426A CN202211397591.1A CN202211397591A CN116187426A CN 116187426 A CN116187426 A CN 116187426A CN 202211397591 A CN202211397591 A CN 202211397591A CN 116187426 A CN116187426 A CN 116187426A
- Authority
- CN
- China
- Prior art keywords
- processor
- gpu
- parameter
- model
- stream
- 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.)
- Granted
Links
- 238000013136 deep learning model Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 52
- 239000012634 fragment Substances 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 abstract description 12
- 238000004883 computer application Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 230000006854 communication Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本公开提供了一种深度学习模型的模型参数多流广播方法及其装置，涉及数据处理技术领域，尤其涉及计算机应用技术领域。具体实现方案为：构建n个第一处理器流，n个第一处理器流包括主处理器流；在GPU集群对深度学习模型第i次训练结束后，调用主处理器流对第一GPU对应的第一模型参数进行更新，获取第一候选模型参数；调用n个第一处理器流对第一候选模型参数进行分片多流广播，以使GPU集群中除第一GPU以外的剩余GPU接收到第一GPU的第一候选模型参数。本公开对模型参数进行多流广播，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，提高深度学习模型的模型参数多流广播效率以及灵活性、提升网络带宽的使用效率以及模型训练的性能。
Description
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。
背景技术
相关技术中，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，因此常采用分布式图形处理器(Graphics Processing Unit，GPU)集群进行训练。
因此，如何提高深度学习模型的模型参数多流广播效率以及灵活性、提升网络带宽的使用效率以及模型训练的性能，已经成为重要的研究方向之一。
发明内容
本公开提供了一种深度学习模型的模型参数多流广播方法及其装置。
根据本公开的一方面，提供了一种深度学习模型的模型参数多流广播方法，由GPU集群中任一GPU执行，方法包括：
构建n个第一处理器流，n为大于1的整数，n个第一处理器流包括主处理器流；
在GPU集群对深度学习模型第i次训练结束后，调用主处理器流对第一GPU对应的第一模型参数进行更新，获取第一候选模型参数；
调用n个第一处理器流对第一候选模型参数进行分片多流广播，以使GPU集群中除第一GPU以外的剩余GPU接收到第一GPU的第一候选模型参数。
本公开对模型参数进行多流广播，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，提高深度学习模型的模型参数多流广播效率以及灵活性、提升网络带宽的使用效率以及模型训练的性能。
根据本公开的另一方面，提供了一种深度学习模型的模型参数多流广播装置，包括：
构建模块，用于构建n个第一处理器流，n为大于1的整数，n个第一处理器流包括主处理器流；
获取模块，用于在GPU集群对深度学习模型第i次训练结束后，调用主处理器流对第一GPU对应的第一模型参数进行更新，获取第一候选模型参数；
多流广播模块，用于调用n个第一处理器流对第一候选模型参数进行分片多流广播，以使GPU集群中除第一GPU以外的剩余GPU接收到第一GPU的第一候选模型参数。
根据本公开的另一方面，提供了一种电子设备，包括至少一个处理器，以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开第一个方面实施例的深度学习模型的模型参数多流广播方法。
根据本公开的另一方面，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，其中，计算机指令用于使计算机执行本公开第一个方面实施例的深度学习模型的模型参数多流广播方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本公开第一个方面实施例的深度学习模型的模型参数多流广播方法。
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是根据本公开一个实施例的深度学习模型的模型参数多流广播方法的流程图；
图2是根据本公开一个实施例的深度学习模型的模型参数多流广播方法的流程图；
图3是根据本公开一个实施例的关联关系示意图；
图4是根据本公开一个实施例的深度学习模型的模型参数单流广播的时序图；
图5是根据本公开一个实施例的深度学习模型的模型参数多流广播的时序图；
图6是根据本公开一个实施例的深度学习模型的模型参数多流广播方法的流程图；
图7是根据本公开一个实施例的深度学习模型的模型参数多流广播装置的结构图；
图8是用来实现本公开实施例的深度学习模型的模型参数多流广播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。
下面结合参考附图描述本公开的深度学习模型的模型参数多流广播方法及其装置。
图1是根据本公开一个实施例的深度学习模型的模型参数多流广播方法的流程图，如图1所示，该方法由GPU集群中任一GPU执行，包括以下步骤：
S101，构建n个第一处理器流，n为大于1的整数，n个第一处理器流包括主处理器流。
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集群进行训练。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。
本公开实施例中，GPU集群中任一GPU构建n个第一处理器流，其中，第一处理器流包括主处理器流。在一些实现中，主处理器流仅处理模型训练过程中的计算过程，不参与广播参数的通讯过程，由除主处理器流之外的其他处理器流进行广播参数。在一些实现中，主处理器流包含默认的广播参数的通讯功能，可以与主处理器流之外的其他处理器流一起进行广播参数。
S102，在GPU集群对深度学习模型第i次训练结束后，调用主处理器流对第一GPU对应的第一模型参数进行更新，获取第一候选模型参数。
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基于当前最新的模型参数进行前向训练，其中，模型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，以获取每个模型参数对应的梯度值，并将梯度值发送给模型参数关联的GPU；
每个GPU根据其他GPU发送的梯度值对自己关联的模型参数进行更新。
由此，完成了模型的一次迭代训练，在训练结束之后，每个GPU需要调用主处理器流对该GPU对应的第一模型参数进行更新，本公开实施例中，当前执行的GPU为第一GPU，也就是说，完成了模型的一次迭代训练，在训练结束之后，第一GPU调用主处理器流对第一GPU对应的第一模型参数进行更新，获取第一候选模型参数，以便于后续将第一候选模型参数广播给其他GPU。
可选地，i为正整数。
S103，调用n个第一处理器流对第一候选模型参数进行分片多流广播，以使GPU集群中除第一GPU以外的剩余GPU接收到第一GPU的第一候选模型参数。
使用单处理器流进行广播broadcast会造成网络带宽无法高效的使用。因为broadcast的时候有时涉及到比较小的张量tensor，例如偏置项bias等，单独对这种小tensor进行broadcast会造成网络带宽无法高效利用的情况。
可选的，本公开实施例中，对第一候选模型参数进行分片处理，获取多个参数切片，每个第一处理器流可以关联一个参数切片，也可以关联多个参数切片。比如，第一GPU需要广播的参数切片有1000个，而第一GPU中有10个第一处理器流，则每个第一处理器流关联的参数切片数为100个。即每次分片多流广播过程中，每个第一处理器流需要对自己关联的100个参数切片进行广播，以使GPU集群中除第一GPU以外的剩余GPU接收到第一GPU的第一候选模型参数。
本公开实施例中，构建n个第一处理器流，在GPU集群对深度学习模型第i次训练结束后，调用主处理器流对第一GPU对应的第一模型参数进行更新，获取第一候选模型参数；调用n个第一处理器流对第一候选模型参数进行分片多流广播，以使GPU集群中除第一GPU以外的剩余GPU接收到第一GPU的第一候选模型参数。本公开对模型参数进行多流广播，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，提高深度学习模型的模型参数多流广播效率以及灵活性、提升网络带宽的使用效率以及模型训练的性能。
图2是根据本公开一个实施例的深度学习模型的模型参数多流广播方法的流程图，如图2所示，该方法由GPU集群中任一GPU执行，包括以下步骤：
S201，构建n个第一处理器流，n为大于1的整数，n个第一处理器流包括主处理器流。
S202，在GPU集群对深度学习模型第i次训练结束后，调用主处理器流对第一GPU对应的第一模型参数进行更新，获取第一候选模型参数。
关于步骤S201～步骤S202的内容可以参见上述实施例的相关介绍，此处不再赘述。
S203，对第一候选模型参数进行分片处理，获取m个参数切片，m为正整数。
本公开实施例中，第一GPU调用主处理器流对第一候选模型参数进行分片处理，获取m个参数切片。
在一些实现中，调用n个第一处理器流将m个参数切片进行多流广播之前，还包括：调用主处理器流随机将m个参数切片发送给第一GPU中除主处理器流外的其他处理器流。
本公开实施例中，m为大于或等于n的整数，可选地，单次模型训练产生的最小参数切片量就是构建的第一处理器流的数量。
S204，调用n个第一处理器流将m个参数切片进行多流广播。
在一些实现中，将m个参数切片随机发送给n个第一处理器流，任一第一处理器流对应一个或多个参数切片，进而调用每个第一处理器流将自身对应的一个或多个参数切片进行广播。
图3是根据本公开一个实施例的关联关系示意图，如图3所示，以当前第一GPU为GPU0，任一剩余GPU为GPU1为例进行说明，GPU0包括n个第一处理器流，GPU1包括n个第二处理器流，n个第一处理器流和n个第二处理器流具有一一对应的关联关系，针对任一第一处理器流，根据关联关系获取第一处理器流关联的任一剩余GPU的目标第二处理器流。调用第一处理器流将自身对应的一个或多个参数切片广播给关联的目标第二处理器流。
在一些实现中，接收GPU集群中每个剩余GPU通过剩余GPU的n个第二处理器流发送的第二候选模型参数。也就是说，任一第一处理器流接收其关联的第二处理器流发送的第二候选模型参数的参数切片，并发送给主处理器流。
图4是根据本公开一个实施例的深度学习模型的模型参数单流广播的时序图；单流广播(单stream broadcast)时，仅通过单个处理器流广播模型参数，每个参数的广播均为顺序执行。图5是根据本公开一个实施例的深度学习模型的模型参数多流广播的时序图。多流广播(多stream broadcast)时，通过多个处理器流同时广播模型参数，参数的广播有重叠overlap。图4和图5对比可知，多流广播可以明显提升网络使用效率，加速模型训练。
以生成式无监督预训练(Generative Pre-training，GPT)模型的模型训练为例进行说明，若字节为6.7B，切片度sharding degree＝16时，本方案使得模型在单卡批量大小batch size为8的训练中，性能可以提升2.5％。
本公开实施例中，对第一候选模型参数进行分片处理，获取m个参数切片，调用n个第一处理器流将m个参数切片进行多流广播。本公开对模型参数进行多流广播，不仅提高了GPU资源的利用率，而且提高了深度学习模型的模型参数多流广播效率以及灵活性、提升网络带宽的使用效率以及模型训练的性能，加速模型训练。
图6是根据本公开一个实施例的深度学习模型的模型参数多流广播方法的流程图，如图6所示，该方法由GPU集群中任一GPU执行，调用主处理器流对第一GPU对应的第一模型参数进行更新，获取第一候选模型参数，包括以下步骤：
S601，获取第一GPU在深度学习模型第i次训练生成的目标梯度对应的第一模型参数项。
第一GPU基于当前最新的模型参数进行前向训练和反向计算，在模型反向计算的过程中，当生成一个目标梯度后，获取目标梯度对应的第一模型参数项。
S602，接收GPU集群中每个剩余GPU在第i次训练生成的目标梯度对应的第二模型参数项。
S603，对第一模型参数项和第二模型参数项进行分布式求和，获取第一候选模型参数。
第一GPU会从每个剩余GPU上将该目标梯度的第二模型参数项分布式求和reducesum到第一GPU上。每个剩余GPU在将第二模型参数项发送给当前的第一GPU后，即可释放该目标梯度的显存空间。
本公开实施例中，获取第一GPU在深度学习模型第i次训练生成的目标梯度对应的第一模型参数项；接收GPU集群中每个剩余GPU在第i次训练生成的目标梯度对应的第二模型参数项；对第一模型参数项和第二模型参数项进行分布式求和，获取第一候选模型参数。本公开提高了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，避免浪费资源。
图7是根据本公开一个实施例的深度学习模型的模型参数多流广播装置的结构图，如图7所示，深度学习模型的模型参数多流广播装置700包括：
构建模块710，用于构建n个第一处理器流，n为大于1的整数，n个第一处理器流包括主处理器流；
获取模块720，用于在GPU集群对深度学习模型第i次训练结束后，调用主处理器流对第一GPU对应的第一模型参数进行更新，获取第一候选模型参数；
多流广播模块730，用于调用n个第一处理器流对第一候选模型参数进行分片多流广播，以使GPU集群中除第一GPU以外的剩余GPU接收到第一GPU的第一候选模型参数。
在一些实现中，多流广播模块730，还用于：
对第一候选模型参数进行分片处理，获取m个参数切片，m为正整数；
调用n个第一处理器流将m个参数切片进行多流广播。
在一些实现中，多流广播模块730，还用于：
调用主处理器流随机将m个参数切片发送给第一GPU中除主处理器流外的其他处理器流。
在一些实现中，多流广播模块730，还用于：
接收GPU集群中每个剩余GPU通过剩余GPU的n个第二处理器流发送的第二候选模型参数。
在一些实现中，m为大于或等于n的整数，多流广播模块730，还用于：
将m个参数切片随机发送给n个第一处理器流，任一第一处理器流对应一个或多个参数切片；
调用每个第一处理器流将自身对应的一个或多个参数切片进行广播。
在一些实现中，任一剩余GPU包括n个第二处理器流，n个第一处理器流和n个第二处理器流具有一一对应的关联关系，多流广播模块730，还用于：
针对任一第一处理器流，根据关联关系获取第一处理器流关联的任一剩余GPU的目标第二处理器流；
调用第一处理器流将自身对应的一个或多个参数切片广播给关联的目标第二处理器流。
在一些实现中，获取模块720，还用于：
获取第一GPU在深度学习模型第i次训练生成的目标梯度对应的第一模型参数项；
接收GPU集群中每个剩余GPU在第i次训练生成的目标梯度对应的第二模型参数项；
对第一模型参数项和第二模型参数项进行分布式求和，获取第一候选模型参数。
本公开对模型参数进行多流广播，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，提高深度学习模型的模型参数多流广播效率以及灵活性、提升网络带宽的使用效率以及模型训练的性能。
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8是用来实现本公开实施例的深度学习模型的模型参数多流广播方法的电子设备的框图。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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理，例如深度学习模型的模型参数多流广播方法。例如，在一些实施例中，深度学习模型的模型参数多流广播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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的深度学习模型的模型参数多流广播方法的一个或多个步骤。备选地，在其他实施例中，计算单元801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模型参数多流广播方法。
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)和互联网。
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，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。
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。
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 (17)
1.一种深度学习模型的模型参数多流广播方法，其中，由图形处理器GPU集群中任一GPU执行，所述方法包括：
构建n个第一处理器流，所述n为大于1的整数，所述n个第一处理器流包括主处理器流；
在所述GPU集群对深度学习模型第i次训练结束后，调用所述主处理器流对第一GPU对应的第一模型参数进行更新，获取第一候选模型参数，所述i为正整数；
调用所述n个第一处理器流对所述第一候选模型参数进行分片多流广播，以使所述GPU集群中除所述第一GPU以外的剩余GPU接收到所述第一GPU的第一候选模型参数。
2.根据权利要求1所述的方法，其中，所述调用所述n个第一处理器流对所述第一候选模型参数进行分片多流广播，包括：
对所述第一候选模型参数进行分片处理，获取m个参数切片，所述m为正整数；
调用所述n个第一处理器流将所述m个参数切片进行多流广播。
3.根据权利要求2所述的方法，其中，所述调用所述n个第一处理器流将所述m个参数切片进行多流广播之前，还包括：
调用所述主处理器流随机将所述m个参数切片发送给所述第一GPU中除所述主处理器流外的其他处理器流。
4.根据权利要求2所述的方法，其中，还包括：
接收所述GPU集群中每个所述剩余GPU通过所述剩余GPU的n个第二处理器流发送的第二候选模型参数。
5.根据权利要求2所述的方法，其中，所述m为大于或等于n的整数，所述调用所述n个第一处理器流将所述m个参数切片进行多流广播，包括：
将所述m个参数切片随机发送给所述n个第一处理器流，任一第一处理器流对应一个或多个参数切片；
调用每个第一处理器流将自身对应的所述一个或多个参数切片进行广播。
6.根据权利要求5所述的方法，其中，任一剩余GPU包括n个第二处理器流，所述n个第一处理器流和所述n个第二处理器流具有一一对应的关联关系，所述调用每个第一处理器流将自身对应的所述一个或多个参数切片进行广播，包括：
针对任一第一处理器流，根据所述关联关系获取所述第一处理器流关联的任一剩余GPU的目标第二处理器流；
调用所述第一处理器流将自身对应的所述一个或多个参数切片广播给关联的所述目标第二处理器流。
7.根据权利要求1-6中任一项方法，其中，所述调用所述主处理器流对所述第一GPU对应的第一模型参数进行更新，获取第一候选模型参数，包括：
获取所述第一GPU在所述深度学习模型第i次训练生成的目标梯度对应的第一模型参数项；
接收所述GPU集群中每个剩余GPU在所述第i次训练生成的目标梯度对应的第二模型参数项；
对所述第一模型参数项和所述第二模型参数项进行分布式求和，获取所述第一候选模型参数。
8.一种深度学习模型的模型参数多流广播装置，其中，包括：
构建模块，用于构建n个第一处理器流，所述n为大于1的整数，所述n个第一处理器流包括主处理器流；
获取模块，用于在所述GPU集群对深度学习模型第i次训练结束后，调用所述主处理器流对第一GPU对应的第一模型参数进行更新，获取第一候选模型参数，所述i为正整数；
多流广播模块，用于调用所述n个第一处理器流对所述第一候选模型参数进行分片多流广播，以使所述GPU集群中除所述第一GPU以外的剩余GPU接收到所述第一GPU的第一候选模型参数。
9.根据权利要求8所述的装置，其中，所述多流广播模块，还用于：
对所述第一候选模型参数进行分片处理，获取m个参数切片，所述m为正整数；
调用所述n个第一处理器流将所述m个参数切片进行多流广播。
10.根据权利要求9所述的装置，其中，所述多流广播模块，还用于：
调用所述主处理器流随机将所述m个参数切片发送给所述第一GPU中除所述主处理器流外的其他处理器流。
11.根据权利要求9所述的装置，其中，所述多流广播模块，还用于：
接收所述GPU集群中每个所述剩余GPU通过所述剩余GPU的n个第二处理器流发送的第二候选模型参数。
12.根据权利要求9所述的装置，其中，所述m为大于或等于n的整数，所述多流广播模块，还用于：
将所述m个参数切片随机发送给所述n个第一处理器流，任一第一处理器流对应一个或多个参数切片；
调用每个第一处理器流将自身对应的所述一个或多个参数切片进行广播。
13.根据权利要求12所述的装置，其中，任一剩余GPU包括n个第二处理器流，所述n个第一处理器流和所述n个第二处理器流具有一一对应的关联关系，所述多流广播模块，还用于：
针对任一第一处理器流，根据所述关联关系获取所述第一处理器流关联的任一剩余GPU的目标第二处理器流；
调用所述第一处理器流将自身对应的所述一个或多个参数切片广播给关联的所述目标第二处理器流。
14.根据权利要求8-13中任一项装置，其中，所述获取模块，还用于：
获取所述第一GPU在所述深度学习模型第i次训练生成的目标梯度对应的第一模型参数项；
接收所述GPU集群中每个剩余GPU在所述第i次训练生成的目标梯度对应的第二模型参数项；
对所述第一模型参数项和所述第二模型参数项进行分布式求和，获取所述第一候选模型参数。
15.一种电子设备，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1-7中任一项所述的方法。
16.一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根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211397591.1A CN116187426B (zh) | 2022-11-09 | 2022-11-09 | 深度学习模型的模型参数多流广播方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211397591.1A CN116187426B (zh) | 2022-11-09 | 2022-11-09 | 深度学习模型的模型参数多流广播方法及其装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116187426A true CN116187426A (zh) | 2023-05-30 |
| CN116187426B CN116187426B (zh) | 2024-04-19 |
Family
ID=86443017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211397591.1A Active CN116187426B (zh) | 2022-11-09 | 2022-11-09 | 深度学习模型的模型参数多流广播方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116187426B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463324A (zh) * | 2014-11-21 | 2015-03-25 | 长沙马沙电子科技有限公司 | 一种基于大规模高性能集群的卷积神经网络并行处理方法 |
| CN109902818A (zh) * | 2019-01-15 | 2019-06-18 | 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 |
| CN110134636A (zh) * | 2018-02-09 | 2019-08-16 | 中兴通讯股份有限公司 | 模型训练方法、服务器和计算机可读存储介质 |
| CN110618870A (zh) * | 2019-09-20 | 2019-12-27 | 广东浪潮大数据研究有限公司 | 一种深度学习训练任务的工作方法及装置 |
| US20210035027A1 (en) * | 2019-08-01 | 2021-02-04 | Microsoft Technology Licensing, Llc | Distributed training for deep learning models |
| KR20210090123A (ko) * | 2020-12-18 | 2021-07-19 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 분산형 모델 트레이닝 방법, 관련 장치 및 컴퓨터 프로그램 |
| JP2021144696A (ja) * | 2020-03-11 | 2021-09-24 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | モデルパラメータ更新方法及び装置 |
| CN114861911A (zh) * | 2022-05-19 | 2022-08-05 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、装置、系统、设备和介质 |
| CN114862656A (zh) * | 2022-05-18 | 2022-08-05 | 北京百度网讯科技有限公司 | 基于多gpu的分布式深度学习模型训练代价的获取方法 |
-
2022
- 2022-11-09 CN CN202211397591.1A patent/CN116187426B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463324A (zh) * | 2014-11-21 | 2015-03-25 | 长沙马沙电子科技有限公司 | 一种基于大规模高性能集群的卷积神经网络并行处理方法 |
| CN110134636A (zh) * | 2018-02-09 | 2019-08-16 | 中兴通讯股份有限公司 | 模型训练方法、服务器和计算机可读存储介质 |
| CN109902818A (zh) * | 2019-01-15 | 2019-06-18 | 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 |
| US20210035027A1 (en) * | 2019-08-01 | 2021-02-04 | Microsoft Technology Licensing, Llc | Distributed training for deep learning models |
| CN110618870A (zh) * | 2019-09-20 | 2019-12-27 | 广东浪潮大数据研究有限公司 | 一种深度学习训练任务的工作方法及装置 |
| JP2021144696A (ja) * | 2020-03-11 | 2021-09-24 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | モデルパラメータ更新方法及び装置 |
| KR20210090123A (ko) * | 2020-12-18 | 2021-07-19 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 분산형 모델 트레이닝 방법, 관련 장치 및 컴퓨터 프로그램 |
| CN114862656A (zh) * | 2022-05-18 | 2022-08-05 | 北京百度网讯科技有限公司 | 基于多gpu的分布式深度学习模型训练代价的获取方法 |
| CN114861911A (zh) * | 2022-05-19 | 2022-08-05 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、装置、系统、设备和介质 |
Non-Patent Citations (2)
| Title |
|---|
| REN, YF: "iRDMA: Efficient Use of RDMA in Distributed Deep Learning Systems", 2017 19TH IEEE INTERNATIONAL CONFERENCE ON HIGH PERFORMANCE COMPUTING AND COMMUNICATIONS (HPCC) / 2017 15TH IEEE INTERNATIONAL CONFERENCE ON SMART CITY (SMARTCITY) / 2017 3RD IEEE INTERNATIONAL CONFERENCE ON DATA SCIENCE AND SYSTEMS (DSS), 1 January 2017 (2017-01-01), pages 231 - 238 * |
| 景维鹏;姜涛;朱良宽;刘美玲;: "一种GPU及深度置信网络的语音识别加速算法研究", 小型微型计算机系统, no. 03, 15 March 2018 (2018-03-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116187426B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112561078B (zh) | 分布式的模型训练方法及相关装置 | |
| CN112597754B (zh) | 文本纠错方法、装置、电子设备和可读存储介质 | |
| CN113453073B (zh) | 一种图像渲染方法、装置、电子设备及存储介质 | |
| US11086668B2 (en) | Method, electronic device and computer program product for processing task | |
| CN113365146B (zh) | 用于处理视频的方法、装置、设备、介质和产品 | |
| WO2023206889A1 (zh) | 模型推理方法、装置、设备及存储介质 | |
| CN114693934A (zh) | 语义分割模型的训练方法、视频语义分割方法及装置 | |
| CN114374703B (zh) | 云手机信息的获取方法、装置、设备以及存储介质 | |
| CN110795328A (zh) | 一种接口测试方法和装置 | |
| CN113572833B (zh) | 一种云手机的维护方法、装置、电子设备和存储介质 | |
| CN112329919B (zh) | 模型训练方法及装置 | |
| CN116187426B (zh) | 深度学习模型的模型参数多流广播方法及其装置 | |
| CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
| CN116188251A (zh) | 模型构建方法、虚拟形象生成方法、装置、设备、介质 | |
| KR20220046526A (ko) | 데이터 처리 방법, 장치, 전자 기기 및 저장 매체 | |
| CN113570067B (zh) | 分布式系统的同步方法、装置 | |
| CN113553857B (zh) | 文本处理方法和文本处理装置 | |
| CN112558918B (zh) | 用于神经网络的乘加运算方法和装置 | |
| CN115346099A (zh) | 基于加速器芯片的图像卷积方法、芯片、设备及介质 | |
| CN115860114B (zh) | 深度学习模型的训练方法、装置、电子设备及存储介质 | |
| CN113556575A (zh) | 用于压缩数据的方法、装置、设备、介质和产品 | |
| CN113032040B (zh) | 用于处理任务的方法、装置、设备、介质和产品 | |
| WO2023241248A1 (zh) | 元宇宙环境下用户获得模型的方法、装置以及电子设备 | |
| CN114647472B (zh) | 图片处理方法、装置、设备、存储介质和程序产品 | |
| CN116363262B (zh) | 图像生成方法、装置及电子设备 |
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 |