CN111562985B - 资源管理方法及装置、电子设备和存储介质 - Google Patents
资源管理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111562985B CN111562985B CN202010388242.8A CN202010388242A CN111562985B CN 111562985 B CN111562985 B CN 111562985B CN 202010388242 A CN202010388242 A CN 202010388242A CN 111562985 B CN111562985 B CN 111562985B
- Authority
- CN
- China
- Prior art keywords
- data processing
- processing nodes
- parameter servers
- iterative training
- training operation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007726 management method Methods 0.000 title abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 168
- 238000012549 training Methods 0.000 claims abstract description 115
- 230000005540 biological transmission Effects 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000002596 correlated effect Effects 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer And Data Communications (AREA)
Abstract
本公开涉及一种资源管理方法及装置、电子设备和存储介质，应用于分布式计算***，其特征在于，所述分布式计算***包含多个数据处理节点和多个参数服务器，所述方法包括：确定所述多个数据处理节点执行神经网络模型的至少一轮迭代训练操作所耗费的第一时长，以及所述多个数据处理节点与所述多个参数服务器之间进行数据传输操作所耗费的第二时长；根据所述第一时长和所述第二时长，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种资源管理方法及装置、电子设备和存储介质。
背景技术
在分布式计算机***中，往往是由多个单元协同处理事务。
在协同处理事务的过程中，有些单元会处于等待状态，因此，***中往往会存在处于空闲等待状态的资源，即存在资源浪费的问题。
发明内容
本公开提出了一种资源管理技术方案。
根据本公开的一方面，提供了一种资源管理方法，应用于分布式计算***，所述分布式计算***包含多个数据处理节点和多个参数服务器，所述方法包括：
确定所述多个数据处理节点执行神经网络模型的至少一轮迭代训练操作所耗费的第一时长，以及所述多个数据处理节点与所述多个参数服务器之间进行数据传输操作所耗费的第二时长；
根据所述第一时长和所述第二时长，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整。
在一种可能的实现方式中，所述根据所述第一时长和所述第二时长，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整，包括：
在所述第一时长与所述第二时长的差异值大于设定阈值的情况下，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整。
在一种可能的实现方式中，所述在所述第一时长与所述第二时长的差异值大于设定阈值的情况下，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整，包括：
在所述第一时长减去所述第二时长得到的第一差值大于第一阈值的情况下，减少所述多个参数服务器的数量；和/或
在所述第二时长减去所述第一时长得到的第二差值大于第二阈值的情况下，增加所述多个参数服务器的数量。
在一种可能的实现方式中，调整后的所述多个参数服务器的数量与所述第一时长和所述第二时长的差异值正相关，与所述第一时长或所述第二时长负相关。
在一种可能的实现方式中，所述根据所述第一时长和所述第二时长，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整，包括：
对所述第一时长与所述第二时长的差异值进行归一化，得到归一化差异值；
根据所述归一化差异值和预设权重值，调整所述多个参数服务器的数量，其中，所述预设权重值小于第一数值。
在一种可能的实现方式中，所述多个数据处理节点在执行迭代训练操作期间，所述数据处理节点与所述多个参数服务器之间进行所述迭代训练操作相关的数据的传输。
在一种可能的实现方式中，所述多个数据处理节点在执行迭代训练操作期间，所述数据处理节点与所述多个参数服务器之间进行所述迭代训练操作相关的数据的传输，包括：
在所述多个数据处理节点执行当前迭代训练操作期间，所述多个数据处理节点从所述多个参数服务器获取下一迭代训练操作所使用的数据；和/或，
在所述多个数据处理节点执行当前迭代训练操作期间，向所述多个参数服务器发送上一迭代训练操作得到的数据。
在一种可能的实现方式中，所述向所述多个参数服务器发送上一迭代训练操作得到的数据，包括：
每个所述数据处理节点将上一迭代训练操作得到的数据分为多份，并向所述多个所述参数服务器分别发送所述多份数据中的一份。
根据本公开的一方面，提供了一种资源管理装置，应用于分布式计算***，所述分布式计算***包含多个数据处理节点和多个参数服务器，所述装置包括：
确定单元，用于确定所述多个数据处理节点执行神经网络模型的至少一轮迭代训练操作所耗费的第一时长，以及所述多个数据处理节点与所述多个参数服务器之间进行数据传输操作所耗费的第二时长；
调整单元，用于根据所述第一时长和所述第二时长，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整。
在一种可能的实现方式中，所述调整单元，用于在所述第一时长与所述第二时长的差异值大于设定阈值的情况下，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整。
在一种可能的实现方式中，所述调整单元，用于在所述第一时长减去所述第二时长得到的第一差值大于第一阈值的情况下，减少所述多个参数服务器的数量；和/或，用于在所述第二时长减去所述第一时长得到的第二差值大于第二阈值的情况下，增加所述多个参数服务器的数量。
在一种可能的实现方式中，调整后的所述多个参数服务器的数量与所述第一时长和所述第二时长的差异值正相关，与所述第一时长或所述第二时长负相关。
在一种可能的实现方式中，所述调整单元，包括第一调整子单元和第二调整子单元，其中：
所述第一调整子单元，用于对所述第一时长与所述第二时长的差异值进行归一化，得到归一化差异值；
所述第二调整子单元，用于根据所述归一化差异值和预设权重值，调整所述多个参数服务器的数量，其中，所述预设权重值小于第一数值。
在一种可能的实现方式中，所述多个数据处理节点在执行迭代训练操作期间，所述数据处理节点与所述多个参数服务器之间进行所述迭代训练操作相关的数据的传输。
在一种可能的实现方式中，所述多个数据处理节点在执行迭代训练操作期间，所述数据处理节点与所述多个参数服务器之间进行所述迭代训练操作相关的数据的传输，包括：
在所述多个数据处理节点执行当前迭代训练操作期间，所述多个数据处理节点从所述多个参数服务器获取下一迭代训练操作所使用的数据；和/或，
在所述多个数据处理节点执行当前迭代训练操作期间，向所述多个参数服务器发送上一迭代训练操作得到的数据。
在一种可能的实现方式中，所述向所述多个参数服务器发送上一迭代训练操作得到的数据，包括：
每个所述数据处理节点将上一迭代训练操作得到的数据分为多份，并向所述多个所述参数服务器分别发送所述多份数据中的一份。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，通过根据数据处理节点执行神经网络模型的至少一轮迭代训练操作耗费的第一时长，以及多个数据处理节点与多个参数服务器之间进行数据传输操作耗费的第二时长，来调整多个数据处理节点和多个参数服务器的数量，使得迭代训练操作与数据传输操作耗费的时长的差异值在设定范围以内，在迭代训练操作与数据传输操作并行执行的情况下，有利于减少数据处理节点或参数服务器处于空闲状态的时间，减少了资源的浪费，提高了资源的利用率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的分布式计算机***的结构示意图；
图2示出根据本公开实施例的资源管理方法的流程图；
图3示出根据本公开实施例的一种迭代训练操作和数据传输操作的时序图；
图4示出根据本公开实施例的一种迭代训练操作和数据传输操作的时序图；
图5示出根据本公开实施例的一种迭代训练操作和数据传输操作的时序图；
图6示出根据本公开实施例的一种资源管理装置的框图；
图7示出根据本公开实施例的一种电子设备的框图；
图8示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
本公开提供一种资源管理方法，该方法可应用于分布式计算机***，请参阅图1为本公开提供的分布式计算机***的结构示意图，该分布式计算机***中包含多个数据处理节点和多个参数服务器(Parameter Server，PS)。
数据处理节点可以以虚拟机和/或物理机的形式进行部署，参数服务器也可以以虚拟机和/或物理机的形式进行部署。
可选的，分布式计算机***中的数据处理节点和参数服务器均可以以虚拟机的形式进行部署，虚拟机可以通过虚拟化技术来实现，通过虚拟化技术将物理机虚拟为多个逻辑上相互隔离的环境，各虚拟机可独立地完成各自的任务，互不干扰。本公开对具体使用的虚拟化技术不作限定。
本公开提供的分布式计算机***可用于执行分布式机器学习任务，该***中，数据处理节点可以执行神经网络模型的迭代训练操作，参数服务器可以对迭代训练操作相关的数据进行存储，也可以向数据处理节点提供迭代训练操作相关的数据。数据处理节点和参数服务器之间可通过网络进行通信，以进行数据传输操作。
在该分布式计算机***中，多个参数服务器可以实现数据的分布式存储，参数服务器和数据处理节点之间的数据传输，可通过点对点超媒体传输协议实现。数据处理节点可以将待存储的数据分成多份，分别向每个参数服务器发送多份数据中的一份；数据处理节点在从多个参数服务器中读取数据时，也可以分别从多个参数服务器中读取一份数据，将读取到的多份数据合并成完整的数据。
分布式存储可以突破单个参数服务器网络带宽的限制，多个数据处理节点同时与多个参数服务器进行数据传输，可以实现快速的数据传输，因此，在数据传输效率不受数据处理节点限制的情况下，参数服务器的数量越多，数据传输的效率会越高。
图2示出根据本公开实施例的资源管理方法的流程图，如图2所示，所述资源管理方法包括：
在步骤S11中，确定所述多个数据处理节点执行神经网络模型的至少一轮迭代训练操作所耗费的第一时长，以及所述数据处理节点与所述多个参数服务器之间进行数据传输操作耗费的第二时长。
在本公开提供的分布式计算机***中，数据处理节点进行的迭代训练操作可以是周期性的，即对神经网络模型进行多轮迭代训练，在单个迭代训练周期内按照预设的步骤对神经网络模型进行训练，例如，进行前向传播，或者进行前向传播和梯度计算，作为一个例子，可以通过将样本图像输入到神经网络模型进行处理，得到针对该样本图像的处理结果，并进一步基于该处理结果得到网络损失和梯度，数据处理节点会将迭代训练操作得到的数据传输给参数服务器，并利用从参数服务器得到的数据进行下一轮的迭代训练。
这里的第一时长，可以是数据处理节点执行至少一轮迭代训练操作所耗费的时长，该时长可以包含每轮迭代训练所耗费的时长，例如，包含每轮迭代训练中前向传播所耗费的时长，或包含每轮迭代训练中前向传播和梯度计算所耗费的时长，等等，其中，可选地可以不包含相邻两轮迭代训练之间的等待时长，但本公开实施例不限于此。
在本公开实施例中，所述数据传输操作传输的数据包括与迭代训练操作相关的数据。在多个数据处理节点执行迭代训练操作期间，数据处理节点可以与多个参数服务器之间进行迭代训练操作相关的数据的传输。
数据处理节点进行数据传输操作耗费的第二时长，可以是对至少一轮迭代训练操作相关的数据进行传输耗费的时长，例如，从多个参数服务器获取该至少一轮和/或下一轮迭代训练操作所使用的数据耗费的时长，或者发送该至少一轮和/或上一迭代训练操作产生的处理结果耗费的时长。
需要说明的是，由于数据处理节点可同时进行数据的上传和下载操作，即数据处理节点可同时进行多个数据传输操作，在这种情况下，数据传输操作耗费的第二时长，可选地可以为耗时最长的数据传输操作所耗费的时长。
例如，在发送迭代训练操作得到的数据所耗费的时长，大于获取迭代训练操作所使用的数据所耗费的时长的情况下，则第二时长为发送该至少一轮和/或上一迭代训练操作得到的数据所耗费的时长。
在一些实施例中，第一时长可以是多次迭代训练操作耗费的时长的平均值，或者为多次迭代训练操作耗费的时长的最大值或最小值，或者为其中某一次迭代训练操作耗费的时长，这里的多次迭代训练操作，可以是***中的多个数据处理节点分别执行的，也可以是同一数据处理节点多轮迭代训练操作。相应地，第二时长也可以是多次数据传输操作耗费的时长的平均值、最大值或最小值，或者为其中某一次数据传输操作耗费的时长，本公开实施例对此不做限定。
在实际应用中，可以对迭代训练操作与数据传输操作开始的时刻和结束的时刻进行记录，并以此来确定第一时长和第二时长，或者，也可以通过计时器记录迭代训练操作与数据传输操作所耗费的时长，以确定第一时长和第二时长。当然，第一时长和第二时长还可以通过其它方式进行记录，此处不做赘述。
在步骤S12中，根据所述第一时长和所述第二时长，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整。
在本公开实施例中，通过对多个数据处理节点和/或多个参数服务器的数量进行调整，以使得迭代训练操作与所述数据传输操作耗费的时长的差异值在设定范围以内。
这里的设定范围可以是由人工根据经验设定的范围，在第一时长和第二时长之间的差异值不在设定范围以内的情况下，表明数据处理节点或参数服务器处于空闲等待状态的时长超出了可容忍值，在这种情况下，对数据处理节点和/或参数服务器的数量进行调整，使迭代训练操作与数据传输操作耗费的时长的差异值在设定范围以内，这样数据处理节点或参数服务器处于空闲等待状态的时长会变短，在迭代训练操作与数据传输操作并行执行的情况下，能够减少资源处于空闲状态的时间，减少了资源的浪费，提高了资源的利用率。
这里的差异值用于表征第一时长和第二时长的差异程度，差异值越大，则差异程度越大，该差异值具体可以是第一时长和第二时长相减得到的差值，也可以是第一时长和第二时长相除得到的比值，本公开对差异值的具体体现形式不作限定。
对数据处理节点和/或参数服务器的数量进行调整，可以通过相关技术来实现，例如，可以禁用空闲状态的数据处理节点，以减少数据处理节点的数量，或者将参数服务器中的内容备份至其他参数服务器后，禁用该参数服务器，来减少参数服务器的数量，或者也可以将参数服务器或数据处理节点用来执行其他任务，也可以启用未被使用的数据处理节点或参数服务器，来增加数据处理节点或参数服务器的数量。
本公开提供的资源管理方法还可以有多种实现方式，在一种可能的实现方式中，所述在所述多个数据处理节点执行迭代训练操作期间，所述数据处理节点与所述多个参数服务器之间进行所述迭代训练操作相关的数据的传输，包括：在所述多个数据处理节点执行当前迭代训练操作期间，所述多个数据处理节点从所述多个参数服务器获取下一迭代训练操作所使用的数据，和/或，在所述多个数据处理节点执行当前迭代训练操作期间，向所述多个参数服务器发送上一迭代训练操作得到的数据。
数据处理节点在执行神经网络模型的当前迭代训练操作期间，可以获取下一迭代训练操作所使用的数据，而无需等到当前迭代训练操作执行完成，这样可以尽快地开始下一迭代训练操作，减少数据处理节点的等待时间，提高资源的利用率。
另外，数据处理节点在执行当前迭代训练操作期间，还可以将上一迭代训练操作得到的数据向多个参数服务器发送，无需等到上一迭代训练操作得到的数据发送完毕再开始本次迭代训练操作，以减少数据处理节点的等待时间，提高资源的利用率。
迭代训练操作得到的数据可以是梯度，也可以是神经网络模型的权重参数，本公开对此不作限定，从参数服务器获取的迭代训练操作所使用的数据，可以是神经网络模型的梯度或权重参数，本公开对此不作限定。
请参阅图3，为本公开提供的一种迭代训练操作和数据传输操作的时序图，该图中，横坐标为时间，纵坐标为处理周期i，在理想的情况下，数据处理节点和参数服务器均不存在空闲等待的情况，数据传输操作和迭代训练操作所耗费的时间是相同的。
例如，参见图3，在tj-1～tj这个时间段里，刚好完成了第i-1个周期的迭代训练操作的处理结果的传输和/或第i+1个周期的迭代训练操作所处理的数据的传输(数据传输操作)，以及第i个周期的迭代训练操作，使得数据处理节点和参数服务器的空闲时间接近于0，实现了较高的资源利用率。
在一种可能的实现方式中，所述根据所述第一时长和所述第二时长，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整，包括：在所述第一时长与所述第二时长的差异值大于设定阈值的情况下，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整。
如前文所述，差异值用于表征第一时长和第二时长之间的差异程度，差异值大于设定阈值，表明差异程度过大，数据处理节点或参数服务器处于空闲等待状态的时长超出了可容忍值。因此，在差异值大于设定阈值的情况下，对多个数据处理节点和/或多个参数服务器的数量进行调整，以减少数据处理节点的等待时间，提高资源的利用率。
另外，也可以定期对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整，例如，可以每隔10分钟，根据所述第一时长和所述第二时长，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整。
在一种可能的实现方式中，所述在所述第一时长与所述第二时长的差异值大于设定阈值的情况下，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整，包括：在所述第一时长减去所述第二时长得到的第一差值大于第一阈值的情况下，减少多个参数服务器的数量和/或增加数据处理节点的数量；和/或，在所述第二时长减去所述第一时长得到的第二差值大于第二阈值的情况下，增加所述多个参数服务器的数量。
在第一时长大于第二时长的情况下，表明迭代训练操作耗费的时长要大于数据传输操作耗费的时长，那么参数服务器会存在空闲等待的情况，而第一时长与第二时长的第一差值大于第一阈值，表明参数服务器空闲等待的时长超出了可容忍值，第一阈值的具体值可以由人工根据经验设定，本公开对此不作限定。
如图4所示，迭代训练操作耗费的时长大于数据传输操作耗费的时长，在这种情况下，可以增加数据处理节点的数量，即增加了数据传输操作所要传输的数据，将参数服务器空闲等待的时间利用起来，提高资源的利用率。或者，也可以减少分布式计算机***中参数服务器的数量，即将空闲等待的参数服务器从分布式计算机***中移除，提高资源的利用率。
在第二时长大于第一时长的情况下，表明迭代训练操作耗费的时长要小于数据传输操作耗费的时长，那么数据处理节点会存在空闲等待的情况，而第二时长与第一时长的第二差值大于第二阈值，表明数据处理节点空闲等待的时长超出了可容忍值，第二阈值的具体值可以由人工根据经验设定，本公开对此不作限定。
如图5所示，数据传输操作耗费的时长大于迭代训练操作耗费的时长，在这种情况下，可以增加参数服务器的数量，即增加了数据传输操作的带宽，可以更快地对数据进行传输，减少了数据传输操作耗费的时间，减少了数据处理节点空闲等待的时间，提高资源的利用率。或者，也可以减少分布式计算机***中数据处理节点的数量，即将空闲等待的数据处理节点从分布式计算机***中移除，提高资源的利用率。
在一种可能的实现方式中，调整的所述多个参数服务器的数量与所述第一时长和所述第二时长的差异值正相关，与所述第一时长或所述第二时长负相关。
调整的所述多个参数服务器的数量，可以是在对参数服务器的数量进行调整的过程中，增加或减少的参数服务器的数量。
例如，在减少多个参数服务器的数量的过程中，减少的参数服务器的数量与第一差值正相关，即第一差值越大，减少的参数服务器的数量越多。另外，减少的参数服务器的数量还与第一时长或第二时长负相关。
在增加多个参数服务器的数量的过程中，增加的参数服务器的数量与第二差值正相关，即第二差值越大，增加的参数服务器的数量越多。另外，增加的参数服务器的数量还与第一时长或第二时长负相关。
在本公开实施例中，调整的多个参数服务器的数量与所述第一时长和所述第二时长的差异值正相关，实现了在差异程度较大时大幅度调整参数服务器的数量，在差异程度较小时，小幅调整参数服务器的数量，可以准确地根据第一时长和第二时长的差异程度来调整多个参数服务器的数量。
而调整的多个参数服务器的数量与第一时长或第二时长负相关，能够通过第一时长或第二时长对差异值进行归一化处理，这样本公开可以适用于不同数量级的时长，普适性较强。
在一种可能的实现方式中，所述根据所述第一时长和所述第二时长，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整，包括：对所述第一时长与所述第二时长的差异值进行归一化，得到归一化差异值；根据所述归一化差异值和预设权重值，调整所述多个参数服务器的数量，其中，所述预设权重值小于第一数值。
如前文所述，调整的多个参数服务器的数量与第一时长或第二时长负相关，在对差异值实现归一化的过程中，具体可以用差异值除以第一时长或第二时长，实现对差异值进行归一化。以消除不同量纲的时长对参数服务器数量调整的影响，可适用于不同数量级的时长，普适性较强。
预设权重值用于确定参数服务器数量调整的幅度。预设权重值越大，则每次调整的参数服务器的数量越大；预设权重值越小，则每次调整的参数服务器的数量越小。预设权重值可根据需求由人工设定，在实际应用中，预设权重值小于第一数值，以实现每次对参数服务器的数量进行小幅调整，减少由于单次调整过大导致数量调整过度的问题。
为便于理解调整参数服务器数量的过程，下面通过具体的表达式来说明调整参数服务器数量的过程，具体请参见公式(1)，为本公开一种可能的实现方式中，减少的参数服务器的数量n1的确定公式：
其中，t1表示第一时长，t2表示第二时长，W1表示权重系数，[]表示取整数。
权重系数W1可根据经验设定，W1越大则减少的参数服务器的数量n1越多，通过对W1进行设定，可以调整每次减少的参数服务器的数量的幅度。
在一种可能的实现方式中，n1也可以作为数据处理节点增加的数量，或者可以根据n1，即增加一定数量的数据处理节点，也减少一定数量的参数服务器，使得总体上达到将空闲时间减少至允许范围之内的效果。
请参见公式(2)，为本公开一种可能的实现方式中，增加的参数服务器的数量n2的确定公式：
其中，t1表示第一时长，t2表示第二时长，W2表示权重系数，[]表示取整数。
权重系数W2可根据经验设定，W2越大则增加的参数服务器的数量n2越多，通过对W2进行设定，可以调整每次增加的参数服务器的数量的幅度。
在一种可能的实现方式中，n2也可以作为数据处理节点减少的数量，或者可以根据n2，即增加一定数量的参数服务器，也减少一定数量的数据处理节点，使得总体上达到将空闲时间减少至允许范围之内的效果。
在一种可能的实现方式中，所述向所述多个参数服务器发送上一迭代训练操作得到的数据，包括：每个所述数据处理节点将上一迭代训练操作得到的数据分为多份，并向所述多个参数服务器分别发送所述多份数据中的一份。
如前文所述，多个参数服务器可以实现数据的分布式存储，数据处理节点向多个参数服务器发送的数据可以是不相同的，分布式存储可以突破单个参数服务器网络带宽的限制，这样便可通过对数据处理节点和/或参数服务器的数量进行调整，来提高资源的利用率。
在一种可能的实现方式中，所述神经网络模型可用于图像处理、自然语言处理、身份认证等技术中。
在一种可能的实现方式中，所述资源管理方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
在一种可能的实现方式中，所述资源管理方法可以由分布式计算***中的管理节点来实现。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了资源管理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种资源管理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图6示出根据本公开实施例的资源管理装置的框图，所述装置应用于分布式计算***，所述分布式计算***包含多个数据处理节点和多个参数服务器，所述装置20包括：
确定单元201，用于确定所述多个数据处理节点执行神经网络模型的至少一轮迭代训练操作所耗费的第一时长，以及所述多个数据处理节点与所述多个参数服务器之间进行数据传输操作所耗费的第二时长；
调整单元202，用于根据所述第一时长和所述第二时长，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整。
在一种可能的实现方式中，所述调整单元202，用于在所述第一时长与所述第二时长的差异值大于设定阈值的情况下，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整。
在一种可能的实现方式中，所述调整单元202，用于在所述第一时长减去所述第二时长得到的第一差值大于第一阈值的情况下，减少所述多个参数服务器的数量；和/或，用于在所述第二时长减去所述第一时长得到的第二差值大于第二阈值的情况下，增加所述多个参数服务器的数量。
在一种可能的实现方式中，调整后的所述多个参数服务器的数量与所述第一时长和所述第二时长的差异值正相关，与所述第一时长或所述第二时长负相关。
在一种可能的实现方式中，所述调整单元202，包括第一调整子单元和第二调整子单元，其中：
所述第一调整子单元，用于对所述第一时长与所述第二时长的差异值进行归一化，得到归一化差异值；
所述第二调整子单元，用于根据所述归一化差异值和预设权重值，调整所述多个参数服务器的数量，其中，所述预设权重值小于第一数值。
在一种可能的实现方式中，所述多个数据处理节点在执行迭代训练操作期间，所述数据处理节点与所述多个参数服务器之间进行所述迭代训练操作相关的数据的传输。
在一种可能的实现方式中，所述多个数据处理节点在执行迭代训练操作期间，所述数据处理节点与所述多个参数服务器之间进行所述迭代训练操作相关的数据的传输，包括：
在所述多个数据处理节点执行当前迭代训练操作期间，所述多个数据处理节点从所述多个参数服务器获取下一迭代训练操作所使用的数据；和/或，
在所述多个数据处理节点执行当前迭代训练操作期间，向所述多个参数服务器发送上一迭代训练操作得到的数据。
在一种可能的实现方式中，所述向所述多个参数服务器发送上一迭代训练操作得到的数据，包括：
每个所述数据处理节点将上一迭代训练操作得到的数据分为多份，并向所述多个所述参数服务器分别发送所述多份数据中的一份。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的资源管理方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的资源管理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种资源管理方法，应用于分布式计算***，其特征在于，所述分布式计算***包含多个数据处理节点和多个参数服务器，所述方法包括：
确定所述多个数据处理节点执行神经网络模型的至少一轮迭代训练操作所耗费的第一时长，以及所述多个数据处理节点与所述多个参数服务器之间进行数据传输操作所耗费的第二时长；
根据所述第一时长和所述第二时长，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整；
其中，在所述多个数据处理节点执行当前迭代训练操作期间，所述多个数据处理节点从所述多个参数服务器获取下一迭代训练操作所使用的数据；和/或，在所述多个数据处理节点执行当前迭代训练操作期间，向所述多个参数服务器发送上一迭代训练操作得到的数据。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一时长和所述第二时长，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整，包括：
在所述第一时长与所述第二时长的差异值大于设定阈值的情况下，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整。
3.根据权利要求2所述的方法，其特征在于，所述在所述第一时长与所述第二时长的差异值大于设定阈值的情况下，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整，包括：
在所述第一时长减去所述第二时长得到的第一差值大于第一阈值的情况下，减少所述多个参数服务器的数量；和/或
在所述第二时长减去所述第一时长得到的第二差值大于第二阈值的情况下，增加所述多个参数服务器的数量。
4.根据权利要求1-3任一所述方法，其特征在于，调整的所述多个参数服务器的数量与所述第一时长和所述第二时长的差异值正相关，与所述第一时长或所述第二时长负相关；
所述根据所述第一时长和所述第二时长，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整，包括：
对所述第一时长与所述第二时长的差异值进行归一化，得到归一化差异值；
根据所述归一化差异值和预设权重值，调整所述多个参数服务器的数量，其中，所述预设权重值小于第一数值；
所述对所述第一时长与所述第二时长的差异值进行归一化，得到归一化差异值，包括：
用差异值除以第一时长或第二时长，得到归一化差异值。
5.根据权利要求1所述的方法，其特征在于，其中，在所述多个数据处理节点执行迭代训练操作期间，所述数据处理节点与所述多个参数服务器之间进行所述迭代训练操作相关的数据的传输。
6.根据权利要求1所述的方法，其特征在于，所述向所述多个参数服务器发送上一迭代训练操作得到的数据，包括：
每个所述数据处理节点将上一迭代训练操作得到的数据分为多份，并向所述多个参数服务器分别发送多份数据中的一份。
7.一种资源管理装置，应用于分布式计算***，其特征在于，所述分布式计算***包含多个数据处理节点和多个参数服务器，所述装置包括：
确定单元，用于确定所述多个数据处理节点执行神经网络模型的至少一轮迭代训练操作所耗费的第一时长，以及所述多个数据处理节点与所述多个参数服务器之间进行数据传输操作所耗费的第二时长；
调整单元，用于根据所述第一时长和所述第二时长，对所述多个数据处理节点和/或所述多个参数服务器的数量进行调整；
其中，在所述多个数据处理节点执行当前迭代训练操作期间，所述多个数据处理节点从所述多个参数服务器获取下一迭代训练操作所使用的数据；和/或，在所述多个数据处理节点执行当前迭代训练操作期间，向所述多个参数服务器发送上一迭代训练操作得到的数据。
8.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至6中任意一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010388242.8A CN111562985B (zh) | 2020-05-09 | 2020-05-09 | 资源管理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010388242.8A CN111562985B (zh) | 2020-05-09 | 2020-05-09 | 资源管理方法及装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111562985A CN111562985A (zh) | 2020-08-21 |
| CN111562985B true CN111562985B (zh) | 2024-03-22 |
Family
ID=72072098
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010388242.8A Active CN111562985B (zh) | 2020-05-09 | 2020-05-09 | 资源管理方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111562985B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112994981B (zh) * | 2021-03-03 | 2022-05-10 | 上海明略人工智能(集团)有限公司 | 时延数据的调整方法和装置、电子设备和存储介质 |
| CN113094171A (zh) * | 2021-03-31 | 2021-07-09 | 北京达佳互联信息技术有限公司 | 数据处理方法、装置、电子设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109582433A (zh) * | 2017-09-29 | 2019-04-05 | 腾讯科技（深圳）有限公司 | 一种资源调度方法、装置、云计算***及存储介质 |
| CN109857518A (zh) * | 2019-01-08 | 2019-06-07 | 平安科技（深圳）有限公司 | 一种网络资源的分配方法及设备 |
| CN109885393A (zh) * | 2019-01-10 | 2019-06-14 | 华为技术有限公司 | 读写请求处理方法、装置、电子设备以及存储介质 |
| CN109885389A (zh) * | 2019-02-19 | 2019-06-14 | 山东浪潮云信息技术有限公司 | 一种基于容器的并行深度学习调度训练方法及*** |
| CN110705629A (zh) * | 2019-09-27 | 2020-01-17 | 北京市商汤科技开发有限公司 | 数据处理方法及相关装置 |
| CN110764922A (zh) * | 2018-07-25 | 2020-02-07 | 中兴通讯股份有限公司 | 一种数据的处理方法、单板和计算机存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020087696A1 (en) * | 2000-12-28 | 2002-07-04 | Byrnes Philippe C. | Automatic management systemfor communications networks |
| US10977552B2 (en) * | 2017-09-20 | 2021-04-13 | International Business Machines Corporation | ISA-based compression in distributed training of neural networks |
-
2020
- 2020-05-09 CN CN202010388242.8A patent/CN111562985B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109582433A (zh) * | 2017-09-29 | 2019-04-05 | 腾讯科技（深圳）有限公司 | 一种资源调度方法、装置、云计算***及存储介质 |
| CN110764922A (zh) * | 2018-07-25 | 2020-02-07 | 中兴通讯股份有限公司 | 一种数据的处理方法、单板和计算机存储介质 |
| CN109857518A (zh) * | 2019-01-08 | 2019-06-07 | 平安科技（深圳）有限公司 | 一种网络资源的分配方法及设备 |
| CN109885393A (zh) * | 2019-01-10 | 2019-06-14 | 华为技术有限公司 | 读写请求处理方法、装置、电子设备以及存储介质 |
| CN109885389A (zh) * | 2019-02-19 | 2019-06-14 | 山东浪潮云信息技术有限公司 | 一种基于容器的并行深度学习调度训练方法及*** |
| CN110705629A (zh) * | 2019-09-27 | 2020-01-17 | 北京市商汤科技开发有限公司 | 数据处理方法及相关装置 |
Non-Patent Citations (3)
| Title |
|---|
| Tobias Distler .Extensible distributed coordination.EuroSys '15: Proceedings of the Tenth European Conference on Computer Systems.2015,全文. * |
| 丁长松 ; 王志英 ; 胡志刚 ; .分布式环境中基于市场机制的资源自适应调价策略.通信学报.2016,(02),全文. * |
| 宛考 ; 罗雪峰 ; 江勇 ; 徐恪 ; .软件定义网络***中面向流的调度算法.计算机学报.2016,(06),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111562985A (zh) | 2020-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112001321B (zh) | 网络训练、行人重识别方法及装置、电子设备和存储介质 | |
| CN109766954B (zh) | 一种目标对象处理方法、装置、电子设备及存储介质 | |
| WO2017071096A1 (zh) | 应用程序更新方法、装置及*** | |
| CN111242303B (zh) | 网络训练方法及装置、图像处理方法及装置 | |
| CN111562985B (zh) | 资源管理方法及装置、电子设备和存储介质 | |
| CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
| CN108073986B (zh) | 一种神经网络模型训练方法、装置及电子设备 | |
| CN113065591B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
| CN112668707B (zh) | 运算方法、装置及相关产品 | |
| CN112001364A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| EP3917116B1 (en) | Detecting maximum transmission unit value | |
| CN113032112A (zh) | 资源调度方法及装置、电子设备和存储介质 | |
| CN111563138B (zh) | 定位方法及装置、电子设备和存储介质 | |
| CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
| CN111985635A (zh) | 一种加速神经网络推理处理的方法、装置及介质 | |
| CN109376013B (zh) | 负载均衡方法及装置 | |
| CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
| CN109992754B (zh) | 文档处理方法及装置 | |
| CN110489244A (zh) | 信息处理方法、***、装置和计算机可读存储介质 | |
| CN110311692B (zh) | 用户设备、控制方法及存储介质 | |
| CN112102300A (zh) | 计数方法及装置、电子设备和存储介质 | |
| CN109189822B (zh) | 数据处理方法及装置 | |
| CN111290843A (zh) | 进程管理方法及装置 | |
| CN114003542B (zh) | 信号调节器、信号调节方法、电子设备和存储介质 | |
| CN109491655A (zh) | 一种输入事件处理方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |