面向深度学习图像分类的GPU并行方法研究
来源：计算机工程杂志2023年第1期北京时间：
作者：韩彦岭, 沈思扬, 徐利军, 王静, 张云, 周汝雁
单位：上海海洋大学 信息学院, 上海 201306
摘要：针对深度学习图像分类场景中多GPU并行后传输效率低的问题，提出一种低时间复杂度的Ring All Reduce改进算法。通过分节点间隔配对原则优化数据传输流程，缓解传统参数服务器并行结构的带宽损耗。基于数据并行难以支撑大规模网络参数及加速延缓的问题，根据深度学习主干网络所包含的权重参数低于全连接层权重参数、同步开销小、全连接层权重大与梯度传输开销过高等特点，提出GPU混合并行优化算法，将主干网络进行数据并行，全连接层进行模型并行，并通过改进的Ring All Reduce算法实现各节点之间的并行后数据通信，用于基于深度学习模型的图像分类。在Cifar10和mini ImageNet两个公共数据集上的实验结果表明，该算法在保持分类精度不变的情况下可以获得更好的加速效果，相比数据并行方法，可达到近45%的提升效果。
关键词：GPU并行,Ring All Reduce算法,数据并行,模型并行,深度学习,图像分类
基金资助：国家重点研发计划“蓝色粮仓科技创新”重点专项（2019YFD0900805）；国家自然科学基金（42176175）。
