基于異構(gòu)計(jì)算的CNN并行框架的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、隨著深度學(xué)習(xí)和異構(gòu)計(jì)算的不斷發(fā)展，在多個(gè)領(lǐng)域中基于異構(gòu)計(jì)算的深度學(xué)習(xí)已經(jīng)取得了突破性的成績(jī)，如圖像識(shí)別和語音識(shí)別。截止目前，最智能的機(jī)器學(xué)習(xí)方法就是深度學(xué)習(xí)，而CNN是深度學(xué)習(xí)里最重要的一個(gè)模型，其研究意義和商業(yè)價(jià)值巨大。同時(shí)由于GPU的強(qiáng)大計(jì)算能力被挖掘出來，現(xiàn)如今廣泛采用GPU來進(jìn)行CNN的訓(xùn)練。
　　但是由于存在CNN的訓(xùn)練時(shí)間長(zhǎng)和單張GPU卡甚至單臺(tái)GPU服務(wù)器（含多張 GPU卡）的顯存都無法裝載單個(gè)模型副本的問題，因此需

2、要采用多臺(tái) GPU服務(wù)器的集群來并行訓(xùn)練CNN。在GPU集群并行訓(xùn)練的方法中，如何在硬件設(shè)施確定的情況下，確定模型切分方案和數(shù)據(jù)并行個(gè)數(shù)將是本文的研究重點(diǎn)。
　　本文首先對(duì)現(xiàn)有的CNN并行方法進(jìn)行調(diào)研，然后提出了最優(yōu)化的模型并行和數(shù)據(jù)并行方案。以該方案為基礎(chǔ)設(shè)計(jì)了一個(gè)基于異構(gòu)計(jì)算的CNN并行框架，該框架總體上采用Master/Slave架構(gòu)，其中 Master是調(diào)度器，主要工作是計(jì)算出最優(yōu)化方案以及調(diào)度計(jì)算任務(wù)。Slave分為W-

3、slave和P-slave。W-salve是執(zhí)行真正的CNN訓(xùn)練任務(wù)的載體，P-slave是負(fù)責(zé)參數(shù)更新工作的參數(shù)服務(wù)器。最后詳細(xì)介紹了最優(yōu)化模型并行和數(shù)據(jù)并行方案的實(shí)現(xiàn)。
　　本文的主要工作為以下幾點(diǎn)：
　　1.通過對(duì)當(dāng)前深度學(xué)習(xí)的并行方案進(jìn)行調(diào)研，在硬件設(shè)施確定的情況下，針對(duì)模型切分和數(shù)據(jù)并行的個(gè)數(shù)提出了自己的最優(yōu)化模型并行和數(shù)據(jù)并行方案。
　　2.對(duì)基于異構(gòu)計(jì)算的 CNN并行框架進(jìn)行架構(gòu)設(shè)計(jì)?？蚣苷w采用Mast

4、er/Slave架構(gòu)，參數(shù)更新采用異步更新方式。
　　3.設(shè)計(jì)并實(shí)現(xiàn)本文提出的在硬件環(huán)境確定的情況下，計(jì)算確定單個(gè)模型副本切分的子模型個(gè)數(shù)和模型副本個(gè)數(shù)的最優(yōu)化方案。
　　最后對(duì)最優(yōu)化方案進(jìn)行仿真測(cè)試。仿真測(cè)試分為單張GPU卡能裝載單個(gè)模型副本和單張GPU卡不能裝載單個(gè)模型副本兩種情況。仿真結(jié)果表明本文提出的最優(yōu)化方案能夠在硬件環(huán)境確定的情況下，計(jì)算出最優(yōu)的模型副本切分的子模型個(gè)數(shù)和模型副本個(gè)數(shù)，找到最大的訓(xùn)練預(yù)估時(shí)間加速比