From 92dfdf692423130cf0bfe399c53a6b7a948a1652 Mon Sep 17 00:00:00 2001 From: fengjiayi Date: Tue, 6 Mar 2018 10:53:59 +0800 Subject: [PATCH] update doc --- doc/howto/cluster/index_cn.rst | 20 +++++++++++++++++--- 1 file changed, 17 insertions(+), 3 deletions(-) diff --git a/doc/howto/cluster/index_cn.rst b/doc/howto/cluster/index_cn.rst index a60521b4a96..5534b008441 100644 --- a/doc/howto/cluster/index_cn.rst +++ b/doc/howto/cluster/index_cn.rst @@ -1,7 +1,9 @@ 分布式训练 ========== -本节将介绍如何使用PaddlePaddle在不同的集群框架下完成分布式训练。分布式训练架构如下图所示： +深度学习模型的效果好坏与数据量的大小往往有直接的关系，相同的模型，在增大训练数据集后一般都能取得更好的效果。但是当数据量增大到一定程度后，单台计算机已经难以承受，这时，使用对台计算机进行分布式训练就是一个很自然的解决方案。在分布式训练中，训练数据被分割为多份，参与训练的多台机器分别读取自己的数据进行训练，并协同对整体模型的参数进行更新。 + +分布式训练一般有着如下图所示的架构： .. image:: src/ps_cn.png :width: 500 @@ -10,13 +12,25 @@ - 计算节点（Trainer）: 每个trainer启动后读取切分好的一部分数据，开始神经网络的“前馈”和“后馈”计算，并和参数服务器通信。在完成一定量数据的训练后，上传计算得出的梯度（gradients），然后下载优化更新后的神经网络参数（parameters）。 - 参数服务器（Parameter server）:每个参数服务器只保存整个神经网络所有参数的一部分。参数服务器接收从计算节点上传的梯度，并完成参数优化更新，再将更新后的参数下发到每个计算节点。 -这样，通过计算节点和参数服务器的分布式协作，可以完成神经网络的SGD方法的训练。PaddlePaddle可以同时支持同步随机梯度下降（SGD）和异步随机梯度下降。 +通过计算节点和参数服务器的分布式协作，可以完成神经网络的SGD方法的训练。PaddlePaddle可以同时支持同步随机梯度下降（SGD）和异步随机梯度下降。 -在使用同步SGD训练神经网络时，PaddlePaddle使用同步屏障（barrier），使梯度的提交和参数的更新按照顺序方式执行。在异步SGD中，则并不会等待所有trainer提交梯度才更新参数，这样极大地提高了计算的并行性：参数服务器之间不相互依赖，并行地接收梯度和更新参数，参数服务器也不会等待计算节点全部都提交梯度之后才开始下一步，计算节点之间也不会相互依赖，并行地执行模型的训练。可以看出，虽然异步SGD方式会提高参数更新并行度, 但是并不能保证参数同步更新，在任意时间某一台参数服务器上保存的参数可能比另一台要更新，与同步SGD相比，梯度会有噪声。 +在开始集群训练之前，需要先进行机器配置、集群PaddlePaddle安装等准备工作，了解如何通过这些步骤来配置分布式训练所需的基本环境： .. toctree:: :maxdepth: 1 preparations_cn.md + +集群训练有大量可配置的参数，例如使用的机器数量、通信端口等。了解如何通过设置启动参数的方式，对分布式训练的过程进行配置： + +.. toctree:: + :maxdepth: 1 + cmd_argument_cn.md + +PaddlePaddle可以兼容各种不同的集群。每种集群各有优势，使用的具体方式也略有区别： + +.. toctree:: + :maxdepth: 1 + multi_cluster/index_cn.rst -- GitLab