[发明专利]一种大类别深度学习GPU并行加速的方法在审
| 申请号： | 201711251410.3 | 申请日： | 2017-12-01 |
| 公开（公告）号： | CN108108813A | 公开（公告）日： | 2018-06-01 |
| 发明（设计）人： | 石宇;徐卉;程诚;周祥东 | 申请（专利权）人： | 中国科学院重庆绿色智能技术研究院 |
| 主分类号： | G06N3/08 | 分类号： | G06N3/08;G06T1/20 |
| 代理公司： | 上海光华专利事务所(普通合伙) 31219 | 代理人： | 尹丽云 |
| 地址： | 400714 *** | 国省代码： | 重庆;50 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供一种大类别深度学习GPU并行加速的方法，包括：采用模型并行对深度神经网络结构中的softmax层的模型参数进行训练，每个GPU训练各自的模型分片，各GPU的softmax层之间通过交互模型参数的数据特征，完成深度学习；本发明采用混合式架构，即softmax层之前的所有层级，依然是采用数据并行方式，softmax层采用模型并行方式，突破了大类别深度学习并行运算的瓶颈，克服了在深度神经网络结构中的最后一层全链接层上，进行参数交互的通信成本和花费的通信时间过高的问题，能够在保持原有深度学习效果的同时，大幅度提升模型学习效率，减少GPU占用率。 | ||
| 搜索关键词： | 神经网络结构 并行 并行方式 学习 并行运算 参数交互 交互模型 模型参数 模型分片 模型学习 数据特征 通信成本 学习效果 链接层 占用率 层级 架构 瓶颈 通信 | ||
【主权项】：
1.一种大类别深度学习GPU并行加速的方法，其特征在于，包括：采用模型并行对深度神经网络结构中的softmax层的模型参数进行训练；每个GPU训练各自的模型分片，获取模型参数的数据特征；各GPU的softmax层之间通过交互模型参数的数据特征，完成深度学习。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中国科学院重庆绿色智能技术研究院，未经中国科学院重庆绿色智能技术研究院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201711251410.3/，转载请声明来源钻瓜专利网。
