- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在 Cloud ML Engine 上试验分布式训练选项,我观察到一些奇怪的结果。我基本上更改了人口普查自定义估算器示例以包含稍微不同的模型,并将我的损失函数更改为 AdamOptimizer 作为唯一真正的更改。基于此其他thread ,我的理解是,任何分布式训练都应该是数据并行异步训练,这表明“如果在 10 个工作节点之间分配 10,000 个批处理,则每个节点大约处理 1,000 个批处理。”在我的实验中,我有大约 650k 个训练示例,并且我正在运行以下实验 1 个 epoch,批量大小为 128。给定 650k 个训练示例和 128 个批量大小,我预计在一个时代。这是我看到的不同 --scale-tier
未分发
分布式
STANDARD_1:14.5 步/秒 -- 26k 步(26k*128 = ~3.3M,比数据中的实际训练样本多得多),29 分钟墙时间
CUSTOM -- 5 个 complex_model_m worker,2 个 large_model 参数服务器:27 步/秒,31k 步(128*31k = ~3.9M,远远超过数据中实际的 650k 训练样本),wall time 20分钟
我的期望是,基于这篇文章的数据并行是分布式训练将在所有工作人员之间拆分批处理,所以如果我有 5 个工作人员处理大约 5k 个批处理,那么每个工作人员将执行大约 1,000 个批处理。然而,我观察到的实际行为是,它似乎更接近 5 名 worker 中的每一个自己执行 1 个时期。在分布式设置中进行训练时,一个时期采取的步数是训练示例的 6 倍——我知道步数的真正定义是每次更新梯度,但我对数据并行训练的理解是这只会拆分批处理,因此应该有相同数量的梯度更新——有什么理由可以预期这种行为吗?在数据并行异步训练分布式环境中需要更多训练步骤是否有意义?谁能解释我观察到的行为?
最佳答案
前面的回答很好地解释了性能瓶颈。让我解释一下“epochs”以及 TensorFlow 如何处理数据集。
TensorFlow 中分布式训练的工作方式是每个工作器独立迭代整个数据集。一个常见的误解是训练集是在 worker 之间划分的,但事实并非如此。
在典型的队列设置中(参见 this tutorial ),每个工作人员都会创建自己的队列。该队列中充满了所有训练文件的所有文件名的列表(通常该列表会被打乱,每次队列用完时,它都会重新填充并重新打乱)。每个文件都逐个实例地读取,数据被解析、预处理,然后被送入另一个队列,在该队列中对实例进行洗牌和批处理。一旦读取了任何文件的最后一个实例,下一个文件名就会从文件名队列中弹出。如果没有更多文件要弹出,则“纪元”已完成。
这里的要点是所有这些队列默认都是本地 -- 不是共享的。因此,每个工作人员都在独立地重复相同的工作——创建包含所有文件的队列并遍历整个数据集。那么,一个完整的 epoch 大致等于完整数据集中的实例数 * worker 数。 (我不确定你的 standard_1 结果,但 CUSTOM 的结果意味着你有你的 master + 5 workers = 6 workers * 650K examples *(1 batch/128 examples)= 31K steps)。
仅供引用,不鼓励使用 epoch 来参数化分布式训练,因为它太困惑了,甚至可能存在一般问题。坚持使用 max_steps。
请注意,由于 TensorFlow 的设计,“批量大小”是指每个工作人员的批量大小。但是每个工作人员将以大致相同的速率向参数服务器发送更新,因此在大致相当于处理一个“批处理”所需时间的时间段内,参数发生的更新次数大致为 批量大小
* num_workers
。这就是我们所说的有效批量大小。这反过来又会产生一些实际后果:
您可能想知道为什么 TensorFlow 以这种方式处理训练数据。这是因为在分布式系统中,您不能指望机器具有相同的速度,甚至根本不可靠。如果您将训练数据划分为不相交的集合,发送给每个 worker ,然后一台或多台机器相对于另一台机器速度较慢,或者网络在一台机器上出现故障,等等,您的训练过程将看到来自“快速”/可靠的 worker 比“慢”/不可靠的 worker 更频繁。这会使结果偏向于这些实例(或者在极端情况下,将它们全部忽略)。
关于python - 使用 tf.estimator 进行分布式训练导致更多训练步骤,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45989971/
real adaboost Logit boost discrete adaboost 和 gentle adaboost in train cascade parameter 有什么区别.. -bt
我想为 book crossing 构建训练数据矩阵和测试数据矩阵数据集。但作为 ISBN 代码的图书 ID 可能包含字符。因此,我无法应用此代码(来自 tutorial ): #Create two
我找到了 JavaANPR 库,我想对其进行自定义以读取我所在国家/地区的车牌。 似乎包含的字母表与我们使用的字母表不同 ( http://en.wikipedia.org/wiki/FE-Schri
我有一个信用卡数据集,其中 98% 的交易是非欺诈交易,2% 是欺诈交易。 我一直在尝试在训练和测试拆分之前对多数类别进行欠采样,并在测试集上获得非常好的召回率和精度。 当我仅在训练集上进行欠采样并在
我打算: 在数据集上从头开始训练 NASNet 只重新训练 NASNet 的最后一层(迁移学习) 并比较它们的相对性能。从文档中我看到: keras.applications.nasnet.NASNe
我正在训练用于分割的 uNet 模型。训练模型后,输出全为零,我不明白为什么。 我看到建议我应该使用特定的损失函数,所以我使用了 dice 损失函数。这是因为黑色区域 (0) 比白色区域 (1) 大得
我想为新角色训练我现有的 tesseract 模型。我已经尝试过 上的教程 https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesser
我的机器中有两个 NVidia GPU,但我没有使用它们。 我的机器上运行了三个神经网络训练。当我尝试运行第四个时,脚本出现以下错误: my_user@my_machine:~/my_project/
我想在python的tensorflow中使用稀疏张量进行训练。我找到了很多代码如何做到这一点,但没有一个有效。 这里有一个示例代码来说明我的意思,它会抛出一个错误: import numpy as
我正在训练一个 keras 模型,它的最后一层是单个 sigmoid单元: output = Dense(units=1, activation='sigmoid') 我正在用一些训练数据训练这个模型
所以我需要使用我自己的数据集重新训练 Tiny YOLO。我正在使用的模型可以在这里找到:keras-yolo3 . 我开始训练并遇到多个优化器错误,添加了错误代码以防止混淆。 我注意到即使它应该使用
将 BERT 模型中的标记化范式更改为其他东西是否有意义?也许只是一个简单的单词标记化或字符级标记化? 最佳答案 这是论文“CharacterBERT: Reconciling ELMo and BE
假设我有一个非常简单的神经网络,比如多层感知器。对于每一层,激活函数都是 sigmoid 并且网络是全连接的。 在 TensorFlow 中,这可能是这样定义的: sess = tf.Inte
有没有办法在 PyBrain 中保存和恢复经过训练的神经网络,这样我每次运行脚本时都不必重新训练它? 最佳答案 PyBrain 的神经网络可以使用 python 内置的 pickle/cPickle
我尝试使用 Keras 训练一个对手写数字进行分类的 CNN 模型,但训练的准确度很低(低于 10%)并且误差很大。我尝试了一个简单的神经网络,但没有效果。 这是我的代码。 import tensor
我在 Windows 7 64 位上使用 tesseract 3.0.1。我用一种新语言训练图书馆。 我的示例数据间隔非常好。当我为每个角色的盒子定义坐标时,盒子紧贴角色有多重要?我使用其中一个插件,
如何对由 dropout 产生的许多变薄层进行平均?在测试阶段要使用哪些权重?我真的很困惑这个。因为每个变薄的层都会学习一组不同的权重。那么反向传播是为每个细化网络单独完成的吗?这些细化网络之间的权重
我尝试训练超正方语言。我正在使用 Tess4J 进行 OCR 处理。我使用jTessBoxEditor和SerakTesseractTrainer进行训练操作。准备好训练数据后,我将其放在 Tesse
我正在构建一个 Keras 模型,将数据分类为 3000 个不同的类别,我的训练数据由大量样本组成,因此在用一种热编码对训练输出进行编码后,数据非常大(item_count * 3000 * 的大小)
关闭。这个问题需要多问focused 。目前不接受答案。 想要改进此问题吗?更新问题,使其仅关注一个问题 editing this post . 已关闭 8 年前。 Improve this ques
我是一名优秀的程序员,十分优秀!