CN116822657A - 一种模型训练加速的方法、装置、存储介质及电子设备 - Google Patents

一种模型训练加速的方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN116822657A
CN116822657A CN202311080496.3A CN202311080496A CN116822657A CN 116822657 A CN116822657 A CN 116822657A CN 202311080496 A CN202311080496 A CN 202311080496A CN 116822657 A CN116822657 A CN 116822657A
Authority
CN
China
Prior art keywords
sample data
cache
target
disk
training
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
Application number
CN202311080496.3A
Other languages
English (en)
Other versions
CN116822657B (zh
Inventor
陈�光
李勇
朱世强
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202311080496.3A priority Critical patent/CN116822657B/zh
Publication of CN116822657A publication Critical patent/CN116822657A/zh
Application granted granted Critical
Publication of CN116822657B publication Critical patent/CN116822657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Memory System Of A Hierarchy Structure (AREA)

Abstract

本说明书公开了一种模型训练加速的方法、装置、存储介质及电子设备,确定用于模型训练的目标样本数据的标识,作为目标标识,当缓存空间中不存在与所述目标标识匹配的样本数据时,将所述目标标识存储在延迟访问队列中,将所述缓存空间中未被使用的样本数据作为目标样本数据,并训练所述模型,当满足预设条件时,从磁盘中获取所述延迟访问队列中的至少部分标识对应的样本数据,并加载至所述缓存空间中。本方法通过当缓存中不存在目标样本数据时,将目标样本数据替换为缓存中其他未被使用的样本数据,提升模型训练的速度,延迟加载目标样本数据至缓存中,以减少获取目标样本数据的时间。

Description

一种模型训练加速的方法、装置、存储介质及电子设备
技术领域
本说明书涉及计算机领域,尤其涉及一种模型训练加速的方法、装置、存储介质及电子设备。
背景技术
随着人工智能(Artificial Intelligent,AI)模型的发展,AI模型应用于各个领域。随着用户的需求的变化,对AI模型功能要求也越来越多,为了满足用户的需求,可对AI模型进行更复杂的训练。然而,对AI模型进行更复杂的训练需要大量算力和存储资源。现如今,对AI模型进行训练的图形处理器(graphics processing unit,GPU)的计算速度越来越快,而用于缓存训练AI模型所需的样本数据的缓存空间所能存储的样本数据量较少,若GPU执行训练任务时,从缓存空间中并未获取到所需样本数据,则会从磁盘等存储空间中获取所需样本数据并加载至缓存空间中,然而从磁盘等存储空间中获取样本数据并加载至缓存空间中花费的时间较长,导致GPU的利用率较低及AI模型训练的时间较长。
基于此,本说明书提供一种模型训练加速的方法,提高GPU的利用率,加速模型训练。
发明内容
本说明书提供一种模型训练加速的方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种模型训练加速的方法,包括:
确定用于模型训练的目标样本数据的标识,作为目标标识;
当缓存空间中不存在与所述目标标识匹配的样本数据时,将所述目标标识存储在延迟访问队列中;
在所述缓存空间中获取未被使用的样本数据,作为目标样本数据,并使用所述目标样本数据训练所述模型;
当满足预设条件时,从磁盘中获取所述延迟访问队列中的至少部分标识对应的样本数据;
将从磁盘中获取的所述延迟访问队列中的至少部分标识对应的样本数据加载至所述缓存空间中。
可选地,将所述目标标识存储在延迟访问队列中,具体包括:
判断延迟访问队列中已使用的存储空间是否达到预设阈值;
若否,则将所述目标标识存储在所述延迟访问队列中;
若是,则在磁盘中获取预设比例的未被使用的样本数据,作为磁盘样本数据;
将所述磁盘样本数据加载至所述缓存空间中。
可选地,将所述磁盘样本数据加载至所述缓存空间中之后,所述方法还包括:
判断所述磁盘样本数据的标识与所述目标标识是否匹配;
若是,使用所述磁盘样本数据训练所述模型;
若否,则将所述目标标识存储在所述延迟访问队列中。
可选地,在磁盘中获取预设比例的未被使用的样本数据,具体包括:
获取随机数;
当所述随机数大于预设比例时,在磁盘中获取所述预设比例的未被使用的样本数据。
可选地,缓存空间包括若干个缓存块;所述方法还包括:
针对每个缓存块,当该缓存块中的所有样本数据均被使用时,清除该缓存块缓存的所有样本数据。
可选地,所述方法还包括:
在所述延迟访问队列中,清除加载至所述缓存空间中的样本数据对应的标识。
可选地,缓存空间包括若干个缓存块;所述方法还包括:
针对每个缓存块,确定从第一次使用该缓存块中缓存的样本数据开始,到该缓存块中的所有样本数据均被使用的时长,作为训练时长;
确定从磁盘中获取未被使用的样本数据开始,到将从磁盘中获取未被使用的样本数据加载至该缓存块的时长,作为缓存时长;
判断所述训练时长是否大于所述缓存时长;
若是,则在所述缓存空间中分配预设数量的缓存块;
若否,则根据所述训练时长及所述缓存时长的时间差,确定所述缓存空间的缓存块的数量,作为缓存扩充数量,其中所述缓存扩充数量大于预设数量。
本说明书提供了一种模型训练加速的装置,包括:
目标标识确定模块,用于确定用于模型训练的目标样本数据的标识,作为目标标识;
标识存储模块,用于当缓存空间中不存在与所述目标标识匹配的样本数据时,将所述目标标识存储在延迟访问队列中;
训练模块,用于在所述缓存空间中获取未被使用的样本数据,作为目标样本数据,并使用所述目标样本数据训练所述模型;
样本数据获取模块,用于当满足预设条件时,从磁盘中获取所述延迟访问队列中的至少部分标识对应的样本数据;
加载模块,用于将从磁盘中获取的所述延迟访问队列中的至少部分标识对应的样本数据加载至所述缓存空间中。
可选地,所述标识存储模块具体用于,判断延迟访问队列中已使用的存储空间是否达到预设阈值;若否,则将所述目标标识存储在所述延迟访问队列中;若是,则在磁盘中获取预设比例的未被使用的样本数据,作为磁盘样本数据;将所述磁盘样本数据加载至所述缓存空间中。
可选地,所述标识存储模块具体用于,判断所述磁盘样本数据的标识与所述目标标识是否匹配;若是,使用所述磁盘样本数据训练所述模型;若否,则将所述目标标识存储在所述延迟访问队列中。
可选地,所述标识存储模块具体用于,获取随机数;当所述随机数大于预设比例时,在磁盘中获取所述预设比例的未被使用的样本数据。
可选地,缓存空间包括若干个缓存块;所述装置还包括:
样本数据清除模块,用于针对每个缓存块,当该缓存块中的所有样本数据均被使用时,清除该缓存块缓存的所有样本数据。
可选地,所述装置还包括:
标识清除模块,用于在所述延迟访问队列中,清除加载至所述缓存空间中的样本数据对应的标识。
可选地,缓存空间包括若干个缓存块;所述装置还包括:
缓存确定模块,用于针对每个缓存块,确定从第一次使用该缓存块中缓存的样本数据开始,到该缓存块中的所有样本数据均被使用的时长,作为训练时长;确定从磁盘中获取未被使用的样本数据开始,到将从磁盘中获取未被使用的样本数据加载至该缓存块的时长,作为缓存时长;判断所述训练时长是否大于所述缓存时长;若是,则在所述缓存空间中分配预设数量的缓存块;若否,则根据所述训练时长及所述缓存时长的时间差,确定所述缓存空间的缓存块的数量,作为缓存扩充数量,其中所述缓存扩充数量大于预设数量。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述模型训练加速的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述模型训练加速的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
本说明书提供的一种模型训练加速的方法,确定用于模型训练的目标样本数据的标识,作为目标标识,当缓存空间中不存在与所述目标标识匹配的样本数据时,将所述目标标识存储在延迟访问队列中,在所述缓存空间中获取未被使用的样本数据,作为目标样本数据,并使用所述目标样本数据训练所述模型,当满足预设条件时,从磁盘中获取所述延迟访问队列中的至少部分标识对应的样本数据,将从磁盘中获取的所述延迟访问队列中的至少部分标识对应的样本数据加载至所述缓存空间中。
从上述方法中可以看出,本方法通过当缓存中不存在目标样本数据时,将目标样本数据替换为缓存中其他未被使用的样本数据,提升模型训练的速度,延迟加载目标样本数据至缓存中,以减少获取目标样本数据的时间。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种模型训练加速的方法的流程示意图;
图2为本说明书提供的查找目标样本数据的示意图;
图3为本说明书提供的一种存储标识的流程示意图;
图4为本说明书提供的一种模型训练加速的装置示意图;
图5为本说明书提供的一种对应于图1的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种模型训练加速的方法的流程示意图,包括以下步骤:
S100:确定用于模型训练的目标样本数据的标识,作为目标标识。
根据用户的需求利用样本数据对模型训练,以使该模型能实现该需求。模型训练过程中需要先获取样本数据,在获取样本数据时,由于从磁盘中获取的样本数据数随机的,因此加载至缓存中的样本数据不一定存在当前训练过程中的目标样本数据。那么,则需要重新从磁盘中获取样本数据,降低了模型训练的速度,为了提高模型训练的效率,本说明书提供一种模型训练加速的方法。本说明书的执行主体可以是用于模型训练的服务器,例如,图形处理器(Graphics Processing Unit,GPU),也可以是其他有计算功能的电子设备。为了便于说明,下面仅以服务器为执行主体,对本说明书提供的一种模型训练加速的方法进行说明。
在本说明书一个或多个实施例中,由于服务器是根据样本数据的标识查找样本数据,因此,在获取样本数据时,需要确定用于模型训练的目标样本数据的标识,作为目标标识。
S102:当缓存空间中不存在与所述目标标识匹配的样本数据时,将所述目标标识存储在延迟访问队列中。
图2为本说明书提供的查找目标样本数据的示意图,如图2所示。
获取目标标识之后,根据目标标识在缓存空间中查找与该目标标识匹配的样本数据。若该缓存空间中存在于该目标标识匹配的样本数据,则将该样本数据作为目标样本数据,利用该目标样本数据对模型进行训练。当该缓存空间中不存在与该目标标识匹配的样本数据时,将该目标标识存储在延迟访问队列中。其中,延迟访问队列用于记录目标样本数据不在缓存空间中时,该目标样本数据的目标标识。
例如,假使目标标识为7,在缓存空间中查找是否存在与目标标识7匹配的样本数据,若不存在,则将目标标识7放入延迟访问队列。
S104:在所述缓存空间中获取未被使用的样本数据,作为目标样本数据,并使用所述目标样本数据训练所述模型。
在本说明书一个或多个实施例中,对模型进行训练时,对样本数据的访问顺序对模型精度没有影响,因此可使用其他样本数据替代目标样本数据进行训练。也就是说,当缓存空间中不存在目标样本数据时,服务器可在该缓存空间中获取未被使用的样本数据,作为目标样本数据,并使用该目标样本数据训练该模型,其中,未被使用的样本数据是指在针对每个训练任务,服务器在执行该训练任务时,未利用该样本数据对模型进行训练。
具体的,针对缓存空间中的每一个样本数据,可采用位图数据结构记录该样本数据是否被使用过,该位图的大小与该缓存空间中的样本数据的数量匹配,例如,缓存空间中有十个样本数据,那么该位图可记录十个样本数据的使用情况。当该样本数据被使用时,将位图中与该样本数据的标识对应位置的数值设置为1,否则为0。因此,服务器可在缓存空间中随机获取样本数据,然后根据位图及该样本数据的标识,判断缓存空间中的样本数据是否被使用,若未被使用,则将该样本数据作为目标样本数据,若已被使用,则重新从缓存空间中获取样本数据。当然,也可以根据样本数据的逻辑地址就近获取样本数据,再进行判断,本说明不限制获取未被使用的样本数据的方法。
S106:当满足预设条件时,从磁盘中获取所述延迟访问队列中的至少部分标识对应的样本数据。
由于延迟访问队列的存储空间有限,为了后续服务器能在下一次缓存空间中不存在目标样本数据时,将该目标样本数据的对应的目标标识存储在延迟访问队列中,服务器需要定期清除延迟访问队列中的标识。在清除延迟访问队列中的标识之前,需要将延迟访问队列中的标识对应的样本数据加载至缓存空间中,即当满足预设条件时,从磁盘中获取该延迟访问队列中的至少部分标识对应的样本数据,服务器可按照标识存储在该延迟访问队列的先后顺序,从磁盘中获取与标识对应的样本数据。例如,现有标识1、2、3、4,这四个标识按照4、3、2、1的先后顺序存入延迟访问队列,因此,在获取样本数据时,依次获取标识4、3、2、1对应的样本数据。需要说明的是,预设条件可以是当前服务器处于空闲状态,也可以是其他条件,本说明书对此不作限制。
S108:将从磁盘中获取的所述延迟访问队列中的至少部分标识对应的样本数据加载至所述缓存空间中。
基于图1所示的一种模型训练加速的方法,本方法通过当缓存中不存在目标样本数据时,将目标样本数据替换为缓存中其他未被使用的样本数据,提升模型训练的速度,延迟加载目标样本数据至缓存在,以减少获取目标样本数据的时间。
需要说明的是,缓存空间包括若干个缓存块,为了后续服务器可继续将未被使用过的样本数据加载至各缓存块中,针对每个缓存块,当该缓存块中的所有样本数据均被使用时,清除该缓存块缓存的所有样本数据。当然,也可以预设样本数据被使用数量阈值,当缓存空间中已被使用的样本数据的数量达到预设样本数据被使用数量阈值,则清除缓存空间中已被使用的样本数据,本说明书对此不做限制。
此外,在本说明书一个或多个实施例中,若服务器训练模型的速度较快,而从磁盘中获取样本数据并加载至缓存空间中的速度较慢,那么,服务器在训练模型时需要等待样本数据加载至缓存空间中之后,才能继续训练。为了减少服务器等待的时间,提高模型训练效率,服务器在对模型训练的初始时期,可根据服务器训练模型的速度及从磁盘中获取样本数据并加载至缓存空间中的速度,确定缓存空间的大小。其中,初始时期可以是执行训练任务时,当前迭代次数小于预设迭代次数阈值的时期。
具体的,缓存空间包括若干个缓存块,在对模型训练的初始时期,针对每个缓存块,确定从第一次使用该缓存块中缓存的样本数据开始,到该缓存块中的所有样本数据均被使用的时长,作为训练时长。确定从磁盘中获取未被使用的样本数据开始,到将从磁盘中获取未被使用的样本数据加载至该缓存块的时长,作为缓存时长,本说明书不限制确定训练时长及缓存时长的顺序。其中,由于模型不变,训练时长及缓存时长不会有太大变化,因此,可根据模型训练的初始时期的历史训练时长,确定训练时长,根据历史缓存时长,确定缓存时长。例如,计算多个历史训练时长的平均值,作为训练时长,本说明书对此不做限制。
确定训练时长及缓存时长之后,判断该训练时长是否大于该缓存时长,若是,则在该缓存空间中分配预设数量的缓存块。即当服务器训练模型的速度小于从磁盘中获取样本数据并加载至缓存空间中的速度时,可分配少量缓存块。若否,则根据该训练时长及该缓存时长的时间差,确定该缓存空间的缓存块的数量,作为缓存扩充数量,其中该缓存扩充数量大于预设数量。即当服务器训练模型的速度大于从磁盘中获取样本数据并加载至缓存空间中的速度时,可多分配一些缓存块。例如,若预设数量为2,则缓存扩充数量需要大于2。
针对步骤S102,图3为本说明书提供的一种存储标识的流程示意图,如图3所示。
由于该延迟访问队列的存储空间有限,无法存储大量的标识,因此,服务器可从磁盘中获取较多的样本数据,那么,从磁盘中获取的样本数据中可能会存在较多的与目标标识对应的目标样本数据,以减少需要存储在延迟访问队列中的目标标识的数量,从而平衡整体性能。那么,服务器可对延迟访问队列可存储的空间设置阈值,例如,延迟访问队列可存储10个目标标识,设置阈值为7。那么,在将该目标标识存储在延迟访问队列之前,需要先判断该延迟访问队列中已使用的存储空间是否达到预设阈值,若否,则说明该延迟访问队列中已使用的空间较少,可将该目标标识存储在该延迟访问队列中,若是,则为了减少需要存储在延迟访问队列中的目标标识的数量,在磁盘中获取预设比例的未被使用的样本数据,作为磁盘样本数据。
沿用上述例子,也就是说,在将该目标标识存储在延迟访问队列之前,先判断该延迟访问队列中已存储的标识的个数是否大于7,若否,则可继续存储目标标识,若是,则需要从磁盘中获取部分的样本数据,作为磁盘样本数据。获取磁盘样本数据之后,将该磁盘样本数据加载至该缓存空间中,以便后续训练模型使用。
设置比例是由于当完成当前训练任务需要大量的目标样本数据时,为了保证整体性能的平衡,减少需要存储在延迟访问队列中的目标标识的数量,服务器可按照一定的比例从磁盘中获取部分样本数据,另一部分的样本数据可从缓存空间中获取。在磁盘中获取预设比例的未被使用的样本数据时,获取随机数,当该随机数大于预设比例时,在磁盘中获取该预设比例的未被使用的样本数据,若该随机数小于预设比例,则仅从磁盘中获取未被使用的样本数据。其中,预设比例和随机数均为1~100范围内的数,预设比例会随着延迟访问队列存储的标识的数量的增多而变大。例如,现需要10个样本数据,假设随机数为50,预设比例为70,则从磁盘中获取7个未被使用的样本数据。当然,也可以不设置比例,但随着延迟访问队列已使用的存储空间越多,从磁盘中获取样本数据的数量也越多即可,即预设比例越大。
由于服务器是随机从磁盘中获取的样本数据,因此磁盘样本数据不一定为执行当前训练任务所需的目标样本数据,因此,将该磁盘样本数据加载至该缓存空间中之后,服务器需要判断该磁盘样本数据的标识与该目标标识是否匹配,若是,使用该磁盘样本数据训练该模型,若否,则将该目标标识存储在该延迟访问队列中。其中,当该磁盘样本数据的标识与该目标标识一致时,则该磁盘样本数据的标识与该目标标识匹配,本说明书不限制判断该磁盘样本数据的标识与该目标标识是否匹配的方法。
针对步骤S104,针对不同的训练任务,为了保证在执行该训练任务时,模型对每个样本数据仅使用一次,服务器可根据哈希函数及该样本数据的标识,确定该样本数据在布隆过滤器的存储位置,当该样本数据已被使用时,将该存储位置的值置1,当该样本数据未被使用时,将该存储位置的值置0。
具体的,在本说明书一个或多个实施例中,为了提高出现记录该样本数据被使用的情况的正确率,服务器可采用三个不同的哈希函数计算该样本数据的标识在布隆过滤器中的三个存储位置,当该样本数据被使用是,将该样本数据的标识在布隆过滤器中存储的位置的数值均置1,否则置为0。也就是说,仅用一个存储位置的数值记录该样本数据是否被使用的正确率较低,例如,现有两个标识分别为14、15,14对应的样本数据已被使用,15对应的样本数据未被使用,仅利用一个哈希函数计算相邻的两个标识在布隆过滤器中的存储位置时,14与15有可能是存储在一个位置中,那么,将14对应的存储位置的数值置1,那么15可能也被标记为已被使用,实际并未被使用。
执行步骤S108之后,将加载至缓存空间中的样本数据对应的标识从延迟访问队列中删除,即在该延迟访问队列中,清除加载至该缓存空间中的样本数据对应的标识。
以上为本说明书的一个或多个实施的方法,基于同样的思路,本说明书还提供了相应的一种模型训练加速的装置,如图4所示。
图4为本说明书提供的一种模型训练加速的装置示意图,包括:
目标标识确定模块400,用于确定用于模型训练的目标样本数据的标识,作为目标标识;
标识存储模块402,用于当缓存空间中不存在与所述目标标识匹配的样本数据时,将所述目标标识存储在延迟访问队列中;
训练模块404,用于在所述缓存空间中获取未被使用的样本数据,作为目标样本数据,并使用所述目标样本数据训练所述模型;
样本数据获取模块406,用于当满足预设条件时,从磁盘中获取所述延迟访问队列中的至少部分标识对应的样本数据;
加载模块408,用于将从磁盘中获取的所述延迟访问队列中的至少部分标识对应的样本数据加载至所述缓存空间中。
可选地,所述标识存储模块402具体用于,判断延迟访问队列中已使用的存储空间是否达到预设阈值;若否,则将所述目标标识存储在所述延迟访问队列中;若是,则在磁盘中获取预设比例的未被使用的样本数据,作为磁盘样本数据;将所述磁盘样本数据加载至所述缓存空间中。
可选地,所述标识存储模块402具体用于,判断所述磁盘样本数据的标识与所述目标标识是否匹配;若是,使用所述磁盘样本数据训练所述模型;若否,则将所述目标标识存储在所述延迟访问队列中。
可选地,所述标识存储模块402具体用于,获取随机数;当所述随机数大于预设比例时,在磁盘中获取所述预设比例的未被使用的样本数据。
可选地,缓存空间包括若干个缓存块;所述装置还包括:
样本数据清除模块410,用于针对每个缓存块,当该缓存块中的所有样本数据均被使用时,清除该缓存块缓存的所有样本数据。
可选地,所述装置还包括:
标识清除模块412,用于在所述延迟访问队列中,清除加载至所述缓存空间中的样本数据对应的标识。
可选地,缓存空间包括若干个缓存块;所述装置还包括:
缓存确定模块414,用于针对每个缓存块,确定从第一次使用该缓存块中缓存的样本数据开始,到该缓存块中的所有样本数据均被使用的时长,作为训练时长;确定从磁盘中获取未被使用的样本数据开始,到将从磁盘中获取未被使用的样本数据加载至该缓存块的时长,作为缓存时长;判断所述训练时长是否大于所述缓存时长;若是,则在所述缓存空间中分配预设数量的缓存块;若否,则根据所述训练时长及所述缓存时长的时间差,确定所述缓存空间的缓存块的数量,作为缓存扩充数量,其中所述缓存扩充数量大于预设数量。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种模型训练加速的方法。
本说明书还提供了图5所示的一种对应于图1的电子设备的结构示意图。如图5所示,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的一种模型训练加速的方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种模型训练加速的方法,其特征在于,所述方法包括:
确定用于模型训练的目标样本数据的标识,作为目标标识;
当缓存空间中不存在与所述目标标识匹配的样本数据时,将所述目标标识存储在延迟访问队列中;
在所述缓存空间中获取未被使用的样本数据,作为目标样本数据,并使用所述目标样本数据训练所述模型;
当满足预设条件时,从磁盘中获取所述延迟访问队列中的至少部分标识对应的样本数据;
将从磁盘中获取的所述延迟访问队列中的至少部分标识对应的样本数据加载至所述缓存空间中。
2.如权利要求1所述的方法,其特征在于,将所述目标标识存储在延迟访问队列中,具体包括:
判断延迟访问队列中已使用的存储空间是否达到预设阈值;
若否,则将所述目标标识存储在所述延迟访问队列中;
若是,则在磁盘中获取预设比例的未被使用的样本数据,作为磁盘样本数据;
将所述磁盘样本数据加载至所述缓存空间中。
3.如权利要求2所述的方法,其特征在于,将所述磁盘样本数据加载至所述缓存空间中之后,所述方法还包括:
判断所述磁盘样本数据的标识与所述目标标识是否匹配;
若是,使用所述磁盘样本数据训练所述模型;
若否,则将所述目标标识存储在所述延迟访问队列中。
4.如权利要求2所述的方法,其特征在于,在磁盘中获取预设比例的未被使用的样本数据,具体包括:
获取随机数;
当所述随机数大于预设比例时,在磁盘中获取所述预设比例的未被使用的样本数据。
5.如权利要求1所述的方法,其特征在于,缓存空间包括若干个缓存块;所述方法还包括:
针对每个缓存块,当该缓存块中的所有样本数据均被使用时,清除该缓存块缓存的所有样本数据。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
在所述延迟访问队列中,清除加载至所述缓存空间中的样本数据对应的标识。
7.如权利要求1所述的方法,其特征在于,缓存空间包括若干个缓存块;所述方法还包括:
针对每个缓存块,确定从第一次使用该缓存块中缓存的样本数据开始,到该缓存块中的所有样本数据均被使用的时长,作为训练时长;
确定从磁盘中获取未被使用的样本数据开始,到将从磁盘中获取未被使用的样本数据加载至该缓存块的时长,作为缓存时长;
判断所述训练时长是否大于所述缓存时长;
若是,则在所述缓存空间中分配预设数量的缓存块;
若否,则根据所述训练时长及所述缓存时长的时间差,确定所述缓存空间的缓存块的数量,作为缓存扩充数量,其中所述缓存扩充数量大于预设数量。
8.一种模型训练加速的装置,其特征在于,所述装置包括:
目标标识确定模块,用于确定用于模型训练的目标样本数据的标识,作为目标标识;
标识存储模块,用于当缓存空间中不存在与所述目标标识匹配的样本数据时,将所述目标标识存储在延迟访问队列中;
训练模块,用于在所述缓存空间中获取未被使用的样本数据,作为目标样本数据,并使用所述目标样本数据训练所述模型;
样本数据获取模块,用于当满足预设条件时,从磁盘中获取所述延迟访问队列中的至少部分标识对应的样本数据;
加载模块,用于将从磁盘中获取的所述延迟访问队列中的至少部分标识对应的样本数据加载至所述缓存空间中。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
CN202311080496.3A 2023-08-25 2023-08-25 一种模型训练加速的方法、装置、存储介质及电子设备 Active CN116822657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311080496.3A CN116822657B (zh) 2023-08-25 2023-08-25 一种模型训练加速的方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311080496.3A CN116822657B (zh) 2023-08-25 2023-08-25 一种模型训练加速的方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN116822657A true CN116822657A (zh) 2023-09-29
CN116822657B CN116822657B (zh) 2024-01-09

Family

ID=88139539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311080496.3A Active CN116822657B (zh) 2023-08-25 2023-08-25 一种模型训练加速的方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN116822657B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117312394A (zh) * 2023-11-08 2023-12-29 之江实验室 一种数据访问方法、装置、存储介质及电子设备
CN117909371A (zh) * 2024-03-18 2024-04-19 之江实验室 一种模型训练方法、装置、存储介质及电子设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245094A (zh) * 2019-06-18 2019-09-17 华中科技大学 一种基于深度学习的块级缓存预取优化方法和系统
CN112085166A (zh) * 2020-09-10 2020-12-15 江苏提米智能科技有限公司 一种卷积神经网络模型加速训练方法、装置、电子设备及存储介质
CN113486833A (zh) * 2021-07-15 2021-10-08 北京达佳互联信息技术有限公司 多模态特征提取模型训练方法、装置、电子设备
CN113761004A (zh) * 2021-05-07 2021-12-07 腾讯科技(深圳)有限公司 网络模型数据处理、数据展示方法、装置和存储介质
CN114595085A (zh) * 2020-12-03 2022-06-07 中兴通讯股份有限公司 磁盘失效预测方法、预测模型训练方法、电子设备
US20220180176A1 (en) * 2020-12-08 2022-06-09 Huawei Technologies Co., Ltd. System, method and apparatus for intelligent caching
CN115099352A (zh) * 2022-07-05 2022-09-23 北京火山引擎科技有限公司 模型训练系统、模型训练方法及装置
US20220350484A1 (en) * 2021-04-29 2022-11-03 EMC IP Holding Company LLC Machine learning to improve caching efficiency in a storage system
US20220414010A1 (en) * 2021-06-25 2022-12-29 Intel Corporation Methods and apparatuses for dynamically changing data priority in a cache
CN116127305A (zh) * 2022-12-22 2023-05-16 支付宝(杭州)信息技术有限公司 一种模型训练的方法、装置、存储介质及电子设备
CN116382599A (zh) * 2023-06-07 2023-07-04 之江实验室 一种面向分布式集群的任务执行方法、装置、介质及设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245094A (zh) * 2019-06-18 2019-09-17 华中科技大学 一种基于深度学习的块级缓存预取优化方法和系统
CN112085166A (zh) * 2020-09-10 2020-12-15 江苏提米智能科技有限公司 一种卷积神经网络模型加速训练方法、装置、电子设备及存储介质
CN114595085A (zh) * 2020-12-03 2022-06-07 中兴通讯股份有限公司 磁盘失效预测方法、预测模型训练方法、电子设备
US20220180176A1 (en) * 2020-12-08 2022-06-09 Huawei Technologies Co., Ltd. System, method and apparatus for intelligent caching
US20220350484A1 (en) * 2021-04-29 2022-11-03 EMC IP Holding Company LLC Machine learning to improve caching efficiency in a storage system
CN113761004A (zh) * 2021-05-07 2021-12-07 腾讯科技(深圳)有限公司 网络模型数据处理、数据展示方法、装置和存储介质
US20220414010A1 (en) * 2021-06-25 2022-12-29 Intel Corporation Methods and apparatuses for dynamically changing data priority in a cache
CN113486833A (zh) * 2021-07-15 2021-10-08 北京达佳互联信息技术有限公司 多模态特征提取模型训练方法、装置、电子设备
CN115099352A (zh) * 2022-07-05 2022-09-23 北京火山引擎科技有限公司 模型训练系统、模型训练方法及装置
CN116127305A (zh) * 2022-12-22 2023-05-16 支付宝(杭州)信息技术有限公司 一种模型训练的方法、装置、存储介质及电子设备
CN116382599A (zh) * 2023-06-07 2023-07-04 之江实验室 一种面向分布式集群的任务执行方法、装置、介质及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
凌永发, 王杰, 陈跃斌: "基于支持向量机的缓存预估模型的设计与实现", 通信学报, no. 10 *
钮俊清;郑浩然;李恒;王煦法;: "一种基于有限记忆多LRU的Web缓存替换算法", 小型微型计算机系统, no. 06 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117312394A (zh) * 2023-11-08 2023-12-29 之江实验室 一种数据访问方法、装置、存储介质及电子设备
CN117312394B (zh) * 2023-11-08 2024-03-05 之江实验室 一种数据访问方法、装置、存储介质及电子设备
CN117909371A (zh) * 2024-03-18 2024-04-19 之江实验室 一种模型训练方法、装置、存储介质及电子设备
CN117909371B (zh) * 2024-03-18 2024-06-28 之江实验室 一种模型训练方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN116822657B (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
CN116822657B (zh) 一种模型训练加速的方法、装置、存储介质及电子设备
CN107391526B (zh) 一种基于区块链的数据处理方法及设备
CN107038206B (zh) Lsm树的建立方法、lsm树的数据读取方法和服务器
CN117312394B (zh) 一种数据访问方法、装置、存储介质及电子设备
CN116432778B (zh) 一种数据处理的方法、装置、存储介质及电子设备
CN112905365B (zh) 一种数据处理方法、装置、设备及介质
CN115981870B (zh) 一种数据处理的方法、装置、存储介质及电子设备
CN116225669B (zh) 一种任务执行方法、装置、存储介质及电子设备
CN117555697A (zh) 一种面向分布式训练的缓存加载系统、方法、装置及设备
CN111522506B (zh) 一种数据读取的方法及装置
CN117424827A (zh) 一种基于分布式深度学习缓存系统的通讯方法和装置
CN110908429B (zh) 一种定时器操作方法及装置
CN115017915B (zh) 一种模型训练、任务执行的方法及装置
CN108769152B (zh) 服务刷新策略注册、服务刷新请求方法、装置以及设备
CN113010551B (zh) 一种资源缓存方法及装置
CN113343141A (zh) 一种网页获取方法及装置
CN109614388B (zh) 一种预算扣减方法和装置
CN117909371B (zh) 一种模型训练方法、装置、存储介质及电子设备
CN117522669B (zh) 一种图形处理器内存优化方法、装置、介质及设备
CN117873789B (zh) 一种基于分段量化的检查点写入方法及装置
CN118567791B (zh) 一种缓存方法、装置、存储介质以及电子设备
CN116126750B (zh) 一种基于硬件特性的数据处理的方法及装置
CN116089434B (zh) 一种数据存储方法、装置、存储介质及电子设备
CN118570560B (zh) 一种训练图像分类模型的系统、方法、装置、介质及设备
CN116975097B (zh) 一种数据查询的方法、装置、存储介质及电子设备

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