原书出处
深度学习推荐系统
06 第6章 深度学习推荐系统的工程实现
时间长,而且在模型参数过多时,经常存在内存溢出的问题。具体地讲,Spark MLlib的分布式训练方法有以下弊端: ·
采用全局广播的方式,在每轮迭代前广播全部模型参数。众所周知,Spark的广播过程非常消耗带宽资源,特别是当模型的参数规模过大时,广播过程和在每个节点都维护一个权重参数副本的过程都是极消耗资源的,这导致Spark在面对复杂模型时的表现不佳。
· 采用阻断式的梯度下降方式,每轮梯度下降由最慢的节点决定。从 Spark梯度下降的源码中可知,Spark MLlib
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/深度学习推荐系统/_epub-src/text/part0010_split_002.html
EPUB SHA-256:2cd732704a51828ea5c0ec7decb8861b35f44e5e16d9af11fbc68f7084f63382