基于異構環(huán)境的高性能深度學習系統(tǒng).pdf

1、深度學習（Deep Learning）近年來在機器學習的各個領域都取得了突破性的發(fā)展。深度學習算法通過訓練多層人工神經(jīng)網(wǎng)絡模型，能夠出色地抽取復雜特征，從而在語音，計算機視覺，文本等多個方面取得了巨大的成功。由于人工神經(jīng)網(wǎng)絡模型層數(shù)的增加，深度學習需要訓練大量的模型參數(shù)，也因此依賴于海量的訓練數(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習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)模集群進行計算。然而，這些方案往往將平臺相關的接口（API）直接暴露給用戶，使得算法的開發(fā)、實現(xiàn)和優(yōu)化變得非常困難并且難以維護。
　　針對這些問題和需求，在本篇論文中，我們設計并實現(xiàn)了Minerva——一個面向深度學習算法的高性能的計算平臺。Minerva通過提供基于矩陣運算的編程模型，從而使得用戶能夠方便，自然地表達深度學習算法。同時，通過保留算法設計者所熟悉的命令式和結(jié)構化編程的特點，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習算法。為了同時支持分布式計算和異構平臺（GPU或者多核CPU）的加速，在運行過程中，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。Minerva會根據(jù)運行平臺的不同，自動將這數(shù)據(jù)流表示執(zhí)行在多個進程或者異構硬件之上。當執(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)絡傳輸?shù)拈_銷。得益于Minerva靈活且平臺無關的設計理念，用戶不需要修改