欢迎访问江苏省计算机学会网站!    设为首页  |  收藏本站
江苏省计算机学会
  •  当前位置首页 > 新闻中心 > 通知公告
    新闻中心  
    党建工作
    学会动态
    政策法规
    行业新闻
    图片新闻
    通知公告
    学会通讯
     
    通知公告
    青年学者学术沙龙《高速分布式神经网络训练: 分分钟训练ImageNet》
    发布时间:2019-05-05 15:48:25

    南京大学计算机软件新技术国家重点实验室 

    摘 要:

    加速神经网络意义重大。最直接的方法就是利用集群或分布式系统强大的计算能力去加速。当前在大规模集群上并行处理的方式大概有两种:模型并行(Model Parallelism)和数据并行(Data Parallelism)。由于模型并行在并行度和并行效率上有限,当前人们普遍采用数据并行的方式。在数据并行方法中,批量数(batch size)对并行与分布式算法的效率起着决定性作用。例如,对于ImageNet数据集而言,批量数为32时,算法只能充分利用一块GPU卡。而批量数为8192时,算法却可以充分利用256块GPU卡。然后,当批量数过大时,优化算法的收敛性和稳定性都大大降低,导致最终算法收敛的精度无法达到预期。我们在最近的研究中提出了LARS算法。通过使用LARS算法,我们能把批量数扩大到32768,这样能充分利用1024张P100 GPU卡。这种情况下,我们只需十几分钟即可完成ImageNet的训练。之前ImageNet的训练往往需要几天甚至几周。我们的算法已被开源在Intel Caffe, NVIDIA Caffe, Caffe2 (PyTorch),以及谷歌内部的TensorFlow。腾讯公司在最新的产品中采用了我们的算法,在2048个P40 GPU上仅用4分钟就完成了ImageNet的训练。 

    报告人简介:

    尤洋是一位西贝尔学者。他目前是加州大学伯克利分校计算机系的博士生,他的导师是美国科学院与工程院院士,ACM/IEEE fellow,伯克利计算机系主任,以及首批中关村海外顾问James Demmel教授。尤洋的研究兴趣包括高性能计算,并行算法,以及机器学习。他当前的研究重点是大规模深度学习训练算法的分布式优化。他曾创造ImageNet训练速度的世界纪录,并被ScienceDaily,The Next Web,i-programmer等几十家媒体广泛报道。尤洋近三年以第一作者身份在NIPS,Supercomputing,IPDPS,ICS等国际重要会议或期刊上发表论文十余篇。他曾以第一作者身份获得了国际并行于分布式处理大会(IPDPS)的最佳论文(0.8%获奖率)和国际并行处理大会(ICPP)的最佳论文(0.3%获奖率)。尤洋曾获清华大学优秀毕业生,北京市优秀毕业生,国家奖学金,以及清华大学计算机系额最高的西贝尔奖学金。他还在2017年获得美国计算机协会(ACM)唯一颁给在读博士生的乔治·迈克尔高性能计算奖学金。尤洋曾在IBM沃森研究中心,英伟达总部,微软总部,以及谷歌总部实习。更多信息请查看他的个人主页(https://www.cs.berkeley.edu/~youyang)。

    时间:5月9日  14:00-14:40

    地点:计算机科学技术楼221室


    上一篇:学术报告Transparent Computing Systems Enabled by Program Analysis
    下一篇:青年学者学术沙龙Causal Inference and Stable Learning
    友情链接:
    江苏省科学技术协会 中国计算机学会 南京大学 南京大学计算机科技与技术系 南京大学软件学院 东南大学计算机科学与工程学院 江苏经贸职业技术学院 南京信息职业技术学院 南京工业职业技术学院 江苏海事职业技术学院 常州信息职业技术学院 国网电力科学研究院 电子科技集团第28研究所 江南计算技术研究所 
       
     

    Copyright (c) 版权所有 江苏省计算机学会          南京网站建设公司
    秘书处办公室       地址: 江苏省南京市仙林大道163号  邮编:210023   电话/传真:025-89680909   
    秘书处市内联络点   地址: 江苏省南京市汉口路22号     邮编:210093   电话/传真:025-86635622
    电子邮箱:jscs@nju.edu.cn   网址:www.jscs.org.cn    技术支持:南京成旭通信息技术有限公司  

    网站备案号:苏ICP备14049275号-1

    您是本站第27786648位来客!