基于異構(gòu)環(huán)境的高性能深度學(xué)習(xí)系統(tǒng).pdf

1、深度學(xué)習(xí)（Deep Learning）近年來在機(jī)器學(xué)習(xí)的各個領(lǐng)域都取得了突破性的發(fā)展。深度學(xué)習(xí)算法通過訓(xùn)練多層人工神經(jīng)網(wǎng)絡(luò)模型，能夠出色地抽取復(fù)雜特征，從而在語音，計算機(jī)視覺，文本等多個方面取得了巨大的成功。由于人工神經(jīng)網(wǎng)絡(luò)模型層數(shù)的增加，深度學(xué)習(xí)需要訓(xùn)練大量的模型參數(shù)，也因此依賴于海量的訓(xùn)練數(shù)據(jù)作為支撐。模型規(guī)模和數(shù)據(jù)規(guī)模的急速膨脹使得深度學(xué)習(xí)算法同時兼具計算密集型和I/O密集型這兩種計算特征。針對這些特性，目前主流的解決方案是使用G

2、PU和大規(guī)模集群進(jìn)行計算。然而，這些方案往往將平臺相關(guān)的接口（API）直接暴露給用戶，使得算法的開發(fā)、實(shí)現(xiàn)和優(yōu)化變得非常困難并且難以維護(hù)。
　　針對這些問題和需求，在本篇論文中，我們設(shè)計并實(shí)現(xiàn)了Minerva——一個面向深度學(xué)習(xí)算法的高性能的計算平臺。Minerva通過提供基于矩陣運(yùn)算的編程模型，從而使得用戶能夠方便，自然地表達(dá)深度學(xué)習(xí)算法。同時，通過保留算法設(shè)計者所熟悉的命令式和結(jié)構(gòu)化編程的特點(diǎn)，我們的編程模型能更精簡更緊致地編

3、寫幾乎所有主流的深度學(xué)習(xí)算法。為了同時支持分布式計算和異構(gòu)平臺（GPU或者多核CPU）的加速，在運(yùn)行過程中，Minerva會動態(tài)地將用戶代碼轉(zhuǎn)換成數(shù)據(jù)流的中間表達(dá)。Minerva會根據(jù)運(yùn)行平臺的不同，自動將這數(shù)據(jù)流表示執(zhí)行在多個進(jìn)程或者異構(gòu)硬件之上。當(dāng)執(zhí)行在分布式環(huán)境中時，Minerva會自動推斷近似最優(yōu)的數(shù)據(jù)和計算的分配，從而有效地利用數(shù)據(jù)局部性并且高效地隱藏網(wǎng)絡(luò)傳輸?shù)拈_銷。得益于Minerva靈活且平臺無關(guān)的設(shè)計理念，用戶不需要修改