CN111582494A - 一种基于延迟处理的混合分布式机器学习更新方法 - Google Patents
一种基于延迟处理的混合分布式机器学习更新方法 Download PDFInfo
- Publication number
- CN111582494A CN111582494A CN202010304796.5A CN202010304796A CN111582494A CN 111582494 A CN111582494 A CN 111582494A CN 202010304796 A CN202010304796 A CN 202010304796A CN 111582494 A CN111582494 A CN 111582494A
- Authority
- CN
- China
- Prior art keywords
- updating method
- machine learning
- nodes
- node
- group
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种基于延迟处理的混合分布式机器学***衡,具有较大的应用价值。
Description
技术领域
本发明设计分布式机器学习***及更新方法,尤其是设计异步更新方法的一种基于延迟处理的混合分布式机器学习更新方法;
背景技术
分布式机器学习更新方法大致可以分为同步更新方法和异步更新方法两类:同步更新方法要求在每次迭代过程中执行同步等待至集群中所有的训练节点都完成训练任务后再进行下一次迭代,同步更新方法可以有效地保证各个训练节点的参数一致性并提供较好的收敛性能,但整个集群的训练速度受制于计算性能最慢的训练节点,训练节点出现宕机可能会导致这个训练任务的失败,集群的训练效率往往不高。异步更新方法取消强制同步等待过程,训练节点并行执行计算任务并通过服务器节点实现全局参数的维护和更新,大大提升训练速度和容灾能力,但存在使用过去某时刻的计算结果更新全局参数的梯度延迟问题,往往需要更多次迭代才能收敛,甚至无法收敛。
发明内容
为了解决背景技术中存在的问题,本发明提出了一种基于延迟处理的混合分布式机器学***衡,具有较大的应用价值。
本发明采用的技术方案包括以下步骤:
1)根据分布式集群中节点负载不均衡的情况构建分层通信拓扑结构;
所述的分布式集群是指由众多服务器拓扑连接构成的分布式集群,其中的节点包括服务器节点和工作节点,服务器节点和工作节点相互连接通信,机器学习模型均存储在服务器节点和工作节点中并分布式计算运行,且机器学习模型在分布式集群的各个节点中采用随机梯度下降更新方法优化训练学习;
2)根据分层通信拓扑结构采用同步更新方法与异步更新方法相结合的混合分布式机器学习更新方法,组内相近的工作节点采用同步更新方法进行训练,各组间不相近的工作节点采用异步更新方法进行训练;
所述的异步更新方法采用基于延迟处理的异步更新方法,为改进的异步更新方法。
所述的服务器节点用于保存有机器学习模型结构和参数以及计算机器学习模型的权重参数,工作节点用于保存有机器学习模型结构和参数以及计算机器学习模型的中间梯度参数。
所述的步骤1)中,如图1所示,根据分布式集群中节点负载不均衡的情况,对所有工作节点按照与服务器节点的通信代价进行聚类分组,从而将与服务器节点的通信代价相近的工作节点聚类为一组,每一组内随机选择任意一节点作为中间节点,每组内所有工作节点产生的计算结果聚集存储到中间节点,并且不同组间的各个中间节点的计算结果同时聚集存储到服务器节点。
中间节点作为服务器节点和工作节点以外的其他节点,存储机器学习模型的中间梯度参数。
所述的聚集存储是进行求和后取平均值并存储平均值的操作。
机器学习模型在分布式集群的各个节点中采用随机梯度下降更新方法优化训练学习
所述的步骤2)中,具体为:
针对聚类分组后的每一组,组内所有工作节点在随机梯度下降更新方法的当前次迭代过程计算出的梯度聚集存储到同一服务器节点,同时也存储到中间节点,服务器节点根据梯度更新权重参数,在随机梯度下降更新方法的下次迭代过程时从服务器节点将更新后的权重参数发送到组内各个工作节点,再由组内各个工作节点利用随机梯度下降更新方法更新计算下次迭代的梯度;
针对聚类分组后的不同组,每个组内所有工作节点在随机梯度下降更新方法的当前次迭代过程计算出的梯度聚集存储到各自组的中间节点,各个中间节点将存储的梯度发送到同一服务器节点根据梯度更新权重参数,在随机梯度下降更新方法的下次迭代过程时从服务器节点将更新后的权重参数发送到各个中间节点,再由中间节点分发到自身组内的其余各个工作节点再利用随机梯度下降更新方法更新计算下次迭代的梯度。
这样,组内相近的工作节点采用同步更新方法进行训练,各组间不相近的工作节点采用异步更新方法进行训练。
在采用同步更新方法训练处理时,每次迭代过程必须等待所有工作节点全部完成计算,将计算结果聚集存储到中间节点才进行下一次迭代;在采用同步更新方法训练处理时,由中间节点异步并行地将计算结果聚集存储到服务器节点。
所述的步骤2)中,基于延迟处理的异步更新方法具体为:
1)中间节点中采用随机梯度下降更新方法根据上次迭代获得的更新后的机器学习模型的权重参数,计算获得未延迟处理的梯度更新值g(wt)为:
wt+1=wt-ηg(wt)
其中,wt为第t次迭代时中间节点处的机器学习模型的权重参数,η为学习速率,g(wt)为第t次迭代时权重参数wt计算得到的梯度更新值;
2)将未延迟处理的梯度更新值g(wt)在wt处做泰勒展开获得基于延迟处理的梯度更新值g(wt+τ):
其中,为机器学习模型的损失函数关于参数wt的黑塞矩阵;o()表示佩亚诺余项,In表示元素为1的n维向量;Wt+τ为第t+τ次迭代时服务器节点处比中间节点多更新τ次的机器学习模型的权重参数;服务器节点比工作节点、中间节点之间不是同步计算的,存在迭代次数差,τ表示服务器节点比中间节点之间的迭代次数之差;
其中,λ为调节方差和偏差的参数,λ=(0,1],以降低近似方差;⊙表示哈达玛乘积(element-wise product);
3)服务器节点中,采用异步随机梯度下降更新方法根据中间节点发送过来的基于延迟处理的梯度更新值g(wt+τ)计算更新后的机器学习模型的权重参数为:
Wt+τ+1=Wt+τ-ηg(wt+τ)
其中,Wt+τ为第t+τ次迭代时服务器节点处比中间节点多更新τ次的机器学习模型的权重参数;服务器节点比工作节点、中间节点之间不是同步计算的,存在迭代次数差,τ表示服务器节点比中间节点之间的迭代次数之差;
最终根据基于延迟处理的异步更新方法计算最终更新后的机器学习模型的权重参数为:
Wt+τ+1=Wt+τ-η(g(wt)+λg(wt)⊙g(wt)⊙(wt-Wt+τ))
具体实施中的机器学习模型采用卷积神经网络。
本发明根据与服务器节点的通信代价将分布式集群中的工作节点聚类分组,同组工作节点采用同步更新方法将计算结果聚合到中间节点,组间采用异步更新方法,构建了分层通信拓扑结构。同时对异步更新方法进行改进,添加延迟处理削弱梯度延迟对收敛精度的影响。
本发明的有益效果是:
本发明将同步更新方法和异步更新方法融合起来使用,优势互补,考虑到集群计算能力与通信性能的不均衡场景,采用分层训练结构,性能相近的训练节点归为一组进行同步训练,组间则进行基于延迟处理的异步训练,以有效减少梯度延迟带来的异步训练收敛性能损失,可以更好地实现训练速度和收敛性能间的平衡。
附图说明
图1是本发明***结构示意图。
图2是实施例中分布式机器学习物理实验环境示意图。
图3是实施例中分布式机器学习实验环境对应的***结构示意图。
表1是实施例中使用Mxnet深度学习框架在数据集Imagenet数据集上训练Resnet50模型的实验结果。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明的实施例及其实施过程如下:
为了证实本发明方法在分布式机器学习应用的有效性,使用实验进行验证:
如图2所示分布式集群由两台服务器组成,服务器间通过ssh进行相互通信,每台服务器有2块Tesla P40 GPU,整个分布式集群中有4个工作节点和1个服务器节点,其中服务器节点和工作节点1、工作节点2位于服务器1,工作节点3和工作节点4位于服务器2,分布式集群使用Mxnet深度学习框架在数据集Imagenet数据集上训练Resnet50模型。
根据分布式集群中节点负载不均衡的情况,对所有工作节点按照与服务器节点的通信代价进行聚类分组,工作节点3、工作节点4与服务器节点需进行跨服务器通信,通信代价更大,故如图3所示,将工作节点1与工作节点2分为一组其中选择工作节点1作为中间节点,工作节点3与工作节点4分为一组其中选择工作节点3作为中间节点,每个组内所有工作节点在随机梯度下降更新方法的当前次迭代过程等待所有工作节点全部完成计算后将计算出的梯度聚集存储到到中间节点。各个中间节点异步并行地将存储的梯度发送到同一服务器节点并采用基于延迟处理的异步更新方法根据梯度更新权重参数,在随机梯度下降更新方法的下次迭代过程时从服务器节点将更新后的权重参数发送到各个中间节点,再由中间节点分发到自身组内的其余各个工作节点再利用随机梯度下降更新方法更新计算下次迭代的梯度。
本实施例的实验结果如下表:
表1
表1表示了使用Mxnet深度学习框架在数据集Imagenet数据集上训练Resnet50模型的实验结果。分布式机器学习训练集群使用同步更新方法,需要花费145000s经过40个epoch后收敛,准确率达到80.45%;使用异步更新方法,需要花费113875s经过75个epoch后收敛,准确率达到79.65%;使用本发明所述的一种基于延迟处理的混合分布式机器学习更新方法需要花费112650s经过75个epoch后收敛,准确率达到80.57%。
由此可见,本发明方法可以在最短的时间112650s内收敛并获得最好的准确率80.57%。本发明根据分布式集群中节点负载不均衡的情况,对所有工作节点按照与服务器节点的通信代价进行聚类分组,将同步更新方法和异步更新方法融合起来使用,优势互补,组内相近的工作节点采用同步更新方法进行训练,各组间不相近的工作节点采用基于延迟的异步更新方法进行训练,有效地减少梯度延迟带来的收敛性能损失,可以更好地实现训练速度和收敛性能间的平衡。
由此,一种基于延迟处理的混合分布式机器学***衡,具有较大的应用价值。上述具体实施方式用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (8)
1.一种基于延迟处理的混合分布式机器学习更新方法,其特征在于:
1)根据分布式集群中节点负载不均衡的情况构建分层通信拓扑结构;
所述的分布式集群是指由众多服务器拓扑连接构成的分布式集群,其中的节点包括服务器节点和工作节点,机器学习模型均存储在服务器节点和工作节点中并分布式计算运行,且机器学习模型在分布式集群的各个节点中采用随机梯度下降更新方法优化训练学习;
2)根据分层通信拓扑结构采用同步更新方法与异步更新方法相结合的混合分布式机器学习更新方法,组内相近的工作节点采用同步更新方法进行训练,各组间不相近的工作节点采用异步更新方法进行训练;
所述的异步更新方法采用基于延迟处理的异步更新方法,为改进的异步更新方法。
2.根据权利要求1所述的一种基于延迟处理的混合分布式机器学习更新方法,其特征在于:所述的服务器节点用于保存有机器学习模型结构和参数以及计算机器学习模型的权重参数,工作节点用于保存有机器学习模型结构和参数以及计算机器学习模型的中间梯度参数。
3.根据权利要求1所述的一种基于延迟处理的混合分布式机器学习更新方法,其特征在于:所述的步骤1)中,根据分布式集群中节点负载不均衡的情况,对所有工作节点按照与服务器节点的通信代价进行聚类分组,从而将与服务器节点的通信代价相近的工作节点聚类为一组,每一组内随机选择任意一节点作为中间节点,每组内所有工作节点产生的计算结果聚集存储到中间节点,并且不同组间的各个中间节点的计算结果同时聚集存储到服务器节点。
4.根据权利要求3所述的一种基于延迟处理的混合分布式机器学***均值并存储平均值的操作。
5.根据权利要求1所述的一种基于延迟处理的混合分布式机器学习更新方法,其特征在于:所述的步骤2)中,具体为:
针对聚类分组后的每一组,组内所有工作节点在随机梯度下降更新方法的当前次迭代过程计算出的梯度聚集存储到服务器节点,服务器节点根据梯度更新权重参数,在随机梯度下降更新方法的下次迭代过程时从服务器节点将更新后的权重参数发送到组内各个工作节点,再由组内各个工作节点利用随机梯度下降更新方法更新计算下次迭代的梯度;
针对聚类分组后的不同组,每个组内所有工作节点在随机梯度下降更新方法的当前次迭代过程计算出的梯度聚集存储到各自组的中间节点,各个中间节点将存储的梯度发送到服务器节点根据梯度更新权重参数,在随机梯度下降更新方法的下次迭代过程时从服务器节点将更新后的权重参数发送到各个中间节点,再由中间节点分发到自身组内的其余各个工作节点再利用随机梯度下降更新方法更新计算下次迭代的梯度。
6.根据权利要求1所述的一种基于延迟处理的混合分布式机器学习更新方法,其特征在于:在采用同步更新方法训练处理时,每次迭代过程必须等待所有工作节点全部完成计算,将计算结果聚集存储到中间节点才进行下一次迭代;在采用同步更新方法训练处理时,由中间节点异步并行地将计算结果聚集存储到服务器节点。
7.根据权利要求1所述的一种基于延迟处理的分布式机器学习更新方法,其特征在于:所述的步骤2)中,基于延迟处理的异步更新方法具体为:
1)中间节点中采用随机梯度下降更新方法根据上次迭代获得的更新后的机器学习模型的权重参数,计算获得未延迟处理的梯度更新值g(wt)为:
wt+1=wt-ηg(wt)
其中,wt为第t次迭代时中间节点处的机器学习模型的权重参数,η为学习速率,g(wt)为第t次迭代时权重参数wt计算得到的梯度更新值;
2)将未延迟处理的梯度更新值g(wt)在wt处做泰勒展开获得基于延迟处理的梯度更新值g(wt+τ):
其中,为机器学习模型的损失函数关于参数wt的黑塞矩阵;o()表示佩亚诺余项,In表示元素为1的n维向量;Wt+τ为第t+τ次迭代时服务器节点处比中间节点多更新τ次的机器学习模型的权重参数;τ表示服务器节点比中间节点之间的迭代次数之差;
其中,λ为调节方差和偏差的参数,λ=(0,1],⊙表示哈达玛乘积;
3)服务器节点中,采用异步随机梯度下降更新方法根据基于延迟处理的梯度更新值g(wt+τ)计算更新后的机器学习模型的权重参数为:
Wt+τ+1=Wt+τ-ηg(wt+τ)
其中,Wt+τ为第t+τ次迭代时服务器节点处比中间节点多更新τ次的机器学习模型的权重参数;τ表示服务器节点比中间节点之间的迭代次数之差。
8.根据权利要求1所述的一种基于延迟处理的分布式机器学习更新方法,其特征在于:所述的机器学习模型采用卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010304796.5A CN111582494B (zh) | 2020-04-17 | 2020-04-17 | 一种基于延迟处理的混合分布式机器学习更新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010304796.5A CN111582494B (zh) | 2020-04-17 | 2020-04-17 | 一种基于延迟处理的混合分布式机器学习更新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582494A true CN111582494A (zh) | 2020-08-25 |
CN111582494B CN111582494B (zh) | 2023-07-07 |
Family
ID=72113091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010304796.5A Active CN111582494B (zh) | 2020-04-17 | 2020-04-17 | 一种基于延迟处理的混合分布式机器学习更新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582494B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112672368A (zh) * | 2020-12-17 | 2021-04-16 | 深圳金信诺高新技术股份有限公司 | 一种CU Pool下动态部署CU的方法及*** |
CN113570067A (zh) * | 2021-07-23 | 2021-10-29 | 北京百度网讯科技有限公司 | 分布式***的同步方法、装置及程序产品 |
WO2022088171A1 (en) * | 2020-11-02 | 2022-05-05 | Alibaba Group Holding Limited | Neural processing unit synchronization systems and methods |
CN116070720A (zh) * | 2023-03-23 | 2023-05-05 | 山东海量信息技术研究院 | 基于分布式集群的数据处理方法、***、设备及存储介质 |
CN117114146A (zh) * | 2023-08-11 | 2023-11-24 | 南京信息工程大学 | 一种联邦学习模型中毒重建的方法、装置、介质及设备 |
WO2024001870A1 (zh) * | 2022-06-29 | 2024-01-04 | 华为技术有限公司 | 一种人工智能模型的训练方法及相关设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107018184A (zh) * | 2017-03-28 | 2017-08-04 | 华中科技大学 | 分布式深度神经网络集群分组同步优化方法及*** |
CN108829441A (zh) * | 2018-05-14 | 2018-11-16 | 中山大学 | 一种分布式深度学习的参数更新优化*** |
US10152676B1 (en) * | 2013-11-22 | 2018-12-11 | Amazon Technologies, Inc. | Distributed training of models using stochastic gradient descent |
CN109508785A (zh) * | 2018-10-29 | 2019-03-22 | 清华大学 | 一种用于神经网络训练的异步并行优化方法 |
CN109951438A (zh) * | 2019-01-15 | 2019-06-28 | 中国科学院信息工程研究所 | 一种分布式深度学习的通信优化方法及*** |
US20190205745A1 (en) * | 2017-12-29 | 2019-07-04 | Intel Corporation | Communication optimizations for distributed machine learning |
AU2020100180A4 (en) * | 2020-02-05 | 2020-03-12 | Southwest University | Effective Doubly-Accelerated Distributed Asynchronous Strategy for General Convex Optimization Problem |
-
2020
- 2020-04-17 CN CN202010304796.5A patent/CN111582494B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10152676B1 (en) * | 2013-11-22 | 2018-12-11 | Amazon Technologies, Inc. | Distributed training of models using stochastic gradient descent |
CN107018184A (zh) * | 2017-03-28 | 2017-08-04 | 华中科技大学 | 分布式深度神经网络集群分组同步优化方法及*** |
US20190205745A1 (en) * | 2017-12-29 | 2019-07-04 | Intel Corporation | Communication optimizations for distributed machine learning |
CN108829441A (zh) * | 2018-05-14 | 2018-11-16 | 中山大学 | 一种分布式深度学习的参数更新优化*** |
CN109508785A (zh) * | 2018-10-29 | 2019-03-22 | 清华大学 | 一种用于神经网络训练的异步并行优化方法 |
CN109951438A (zh) * | 2019-01-15 | 2019-06-28 | 中国科学院信息工程研究所 | 一种分布式深度学习的通信优化方法及*** |
AU2020100180A4 (en) * | 2020-02-05 | 2020-03-12 | Southwest University | Effective Doubly-Accelerated Distributed Asynchronous Strategy for General Convex Optimization Problem |
Non-Patent Citations (2)
Title |
---|
JINKUN GENG.ET.: "Horizontal or Vertical?: A Hybrid Approach to Large-Scale Distributed Machine Learning", pages 1 - 4 * |
舒娜等: "分布式机器学习平台与算法综述", vol. 46, no. 3, pages 9 - 18 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022088171A1 (en) * | 2020-11-02 | 2022-05-05 | Alibaba Group Holding Limited | Neural processing unit synchronization systems and methods |
CN112672368A (zh) * | 2020-12-17 | 2021-04-16 | 深圳金信诺高新技术股份有限公司 | 一种CU Pool下动态部署CU的方法及*** |
CN113570067A (zh) * | 2021-07-23 | 2021-10-29 | 北京百度网讯科技有限公司 | 分布式***的同步方法、装置及程序产品 |
CN113570067B (zh) * | 2021-07-23 | 2022-08-02 | 北京百度网讯科技有限公司 | 分布式***的同步方法、装置 |
WO2024001870A1 (zh) * | 2022-06-29 | 2024-01-04 | 华为技术有限公司 | 一种人工智能模型的训练方法及相关设备 |
CN116070720A (zh) * | 2023-03-23 | 2023-05-05 | 山东海量信息技术研究院 | 基于分布式集群的数据处理方法、***、设备及存储介质 |
CN117114146A (zh) * | 2023-08-11 | 2023-11-24 | 南京信息工程大学 | 一种联邦学习模型中毒重建的方法、装置、介质及设备 |
CN117114146B (zh) * | 2023-08-11 | 2024-03-29 | 南京信息工程大学 | 一种联邦学习模型中毒重建的方法、装置、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111582494B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582494B (zh) | 一种基于延迟处理的混合分布式机器学习更新方法 | |
CN110262899A (zh) | 基于Kubernetes集群的监控组件弹性伸缩方法、装置及受控终端 | |
US20180211166A1 (en) | Distributed deep learning device and distributed deep learning system | |
CN105511801B (zh) | 数据存储的方法和装置 | |
WO2014210501A1 (en) | Asynchronous message passing for large graph clustering | |
Hardiansyah et al. | Solving economic load dispatch problem using particle swarm optimization technique | |
CN113110039B (zh) | 一种多智能体***的有限时间分布式聚合优化方法 | |
CN109818792B (zh) | 一种基于二阶线性***时变耦合复杂动态网络模型的控制器 | |
CN104461748A (zh) | 一种基于MapReduce的最优本地化任务调度方法 | |
CN108334945A (zh) | 深度神经网络的加速与压缩方法及装置 | |
CN106651000B (zh) | 一种基于半监督谱聚类的黑启动分区方法 | |
CN104301434A (zh) | 一种基于集群的高速通信架构及方法 | |
CN114205251B (zh) | 基于时空特征的交换机链路资源预测方法 | |
CN116362327A (zh) | 一种模型训练方法、***及电子设备 | |
Aketi et al. | Sparse-push: Communication-& energy-efficient decentralized distributed learning over directed & time-varying graphs with non-IID datasets | |
CN108039068A (zh) | 一种基于航班延误传播的加权航空网络社团结构划分方法 | |
CN114637278A (zh) | 一种多领导者与切换拓扑下的多智能体容错编队跟踪控制方法 | |
CN111858721B (zh) | 一种基于优先级编码的分布式计算方法 | |
CN117518833A (zh) | 一种改进的高阶多自主体集群分布式非合作博弈方法及*** | |
CN112217652B (zh) | 一种基于中心通信模式的网络拓扑装置及方法 | |
CN111834996B (zh) | 电网线损计算方法和装置 | |
CN116861951A (zh) | 一种分布式图神经网络计算效率的优化方法 | |
CN110752594A (zh) | 基于改进凝聚层次聚类法的配电网路径优化方法 | |
CN114580661A (zh) | 基于联邦学习的数据处理方法、装置和计算机设备 | |
CN113224767A (zh) | 直流微电网分布式次级控制中通信延迟的改进方法 |
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 |