抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
訓練畳込みニューラルネットワーク(CNN)が許容時間内に訓練を完成するために,並列化は重要になってきている計算集約的な仕事である。しかし,分散メモリ計算環境におけるスケーラブルな並列CNNを開発するための二障害である。一つは二隣接minibatchesモデルパラメータの示したデータ依存性の高度であり,もう一つは通信チャネルを横切って移動する大量のデータである。本論文では,計算によるプロセス間通信のオーバーラップを最大化する並列化戦略を提示した。勾配が利用可能な後の重複は,通信を開始する計算ノード当り糸を用いて達成した。逆伝搬段階の出力データを各モデル層で発生し,データの通信を他の層の計算を同時に実行できる。重複の有効性とスケーラビリティへの影響を研究するために,種々のモデルアーキテクチャとハイパーパラメータ設定を評価した。ImageNetデータを用いた訓練VGGモデルセットと,256と512のミニバッチサイズを用いた128計算ノードに62.97×と77.97×のスピードアップを達成した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】