tensorFlow中主要包括了三種不同的并行策略，其分別是數(shù)據(jù)并行、模型并行、模型計算流水線并行，具體參考Tenssorflow白皮書，在接下來分別簡單介紹三種并行策略的原理。

數(shù)據(jù)并行

一個簡單的加速訓練的技術是并行地計算梯度，然后更新相應的參數(shù)。數(shù)據(jù)并行又可以根據(jù)其更新參數(shù)的方式分為同步數(shù)據(jù)并行和異步數(shù)據(jù)并行，同步的數(shù)據(jù)并行方式如圖所示，tensorflow圖有著很多的部分圖模型計算副本，單一的客戶端線程驅動整個訓練圖，來自不同的設備的數(shù)據(jù)需要進行同步更新。這種方式在實現(xiàn)時，主要的限制就是每一次更新都是同步的，其整體計算時間取決于性能最差的那個設備。

數(shù)據(jù)并行還有異步的實現(xiàn)方式，如圖所示，與同步方式不同的是，在處理來自不同設備的數(shù)據(jù)更新時進行異步更新，不同設備之間互不影響，對于每一個圖副本都有一個單獨的客戶端線程與其對應。在這樣的實現(xiàn)方式下，即使有部分設備性能特別差甚至中途退出訓練，對訓練結果和訓練效率都不會造成太大影響。但是由于設備間互不影響，所以在更新參數(shù)時可能其他設備已經更好的更新過了，所以會造成參數(shù)的抖動，但是整體的趨勢是向著最好的結果進行的。所以說這種方式更適用于數(shù)據(jù)量大，更新次數(shù)多的情況。

模型并行

一個模型并行訓練的例子如圖所示，其針對的訓練對象是同一批樣本數(shù)據(jù)，但是將不同的模型計算部分分布在不同的計算設備上同時執(zhí)行。

模型計算流水線并行

此并行方式主要針對在同一個設備中并發(fā)實現(xiàn)模型的計算，如圖是其并發(fā)計算步驟，可以發(fā)現(xiàn)它實際上與異步數(shù)據(jù)并行有些相似，但是唯一不同的是此方式的并行發(fā)生在同一個設備上，而不是在不同的設備之間。并且在計算一批簡單的樣例時，允許進行“填充間隙”，這可以充分利用空閑的設備資源。

以上這篇關于Tensorflow分布式并行策略就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論