GPU并行计算

最新推荐文章于 2024-12-10 12:17:56 发布

原创

最新推荐文章于 2024-12-10 12:17:56 发布 · 7.6k 阅读

12 ·

CC 4.0 BY-SA版权

本文探讨GPU并行计算的异步和同步模式。异步模式以其速度优势，但存在更新不确定性；同步模式则需等待所有GPU完成计算，达到全局最优，但效率较低。实践中，通常结合两者进行选择。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

GPU并行计算包括同步模式和异步模式：

异步模式：

这里写图片描述

同步模式：
这里写图片描述

异步模式的特点是速度快，不用等待其他GPU计算完毕再更新，但是更新的不确定性可能导致到达不了全局最优。

同步模式需要等到所有GPU计算完毕，并计算平均梯度，最后赋值，缺点是需要等待最后一个GPU计算完毕，时间较慢。

实践中通常视情况使用上述两种方式。

实例

from datetime import datetime
import os
import time

import tensorflow as tf

BATCH_SIZE = 128
LEARNING_RATE_BASE = 0.1
LEARNING_RATE_DECAY = 0.99
REGULARIZATION_RATE = 0.0001
TRAINING_STEPS = 1000
MOVING_AVERAGE_DECAY = 0.99
N_GPU = 1

MODEL_SAVE_PATH = 'logs_and_models/'
MODEL_NAME = 'model.ckpt'
DATA_PATH = './output.tfrecords'

INPUT_NODE = 784
OUTPUT_NODE = 10
LAYER1_NODE = 500

#获取权重张量，并将L2损失加入损失集合中
def get_weight_variable(shape, regularizer):
    weights = tf.get_variable("weights", shape, initializer=tf.truncated_normal_initializer(stddev=0.1))
    if regularizer != None: tf.add_to_collection('losses', regularizer(weights))
    return weights

#实现两层的全连接神经网络
def