知识卡片
陈旧度界不自动保收敛
SSP为收敛分析提供可控陈旧度,但并非任意算法在任意s下都正确。适用证明还依赖目标函数、梯度、步长等条件。调大s可能减少等待,同时增加陈旧更新;应同时评价达到目标精度的总时间和最终误差,而不是只比较每秒迭代数。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 机器学习:范型与架构 · 查看原书依据
SSP模型可以被认为是一种处于同步模型和异步模型之间的折中模型,这样会很好地平衡算法的执行速度与其可收敛性或正确性的关系,于是它既有异步模型的高速执行优势,也有同步模型的可被证明的正确性保证。
参考来源
- 位置:《大数据日知录:架构与算法》第15章《机器学习:范型与架构》(来源项目:book-sources;源文件:extracted/大数据日知录_架构与算法/_epub-src/OEBPS/text00020.html)
- 结论依据:原文在本章对陈旧度界不自动保收敛给出的定义、机制或示例支持本卡;技术产品描述限于2014年书中版本,示例与实测区分。
- 原始内容:SSP模型可以被认为是一种处于同步模型和异步模型之间的折中模型,这样会很好地平衡算法的执行速度与其可收敛性或正确性的关系,于是它既有异步模型的高速执行优势,也有同步模型的可被证明的正确性保证。