知识卡片
分布式SGD聚合梯度
节点利用本地样本估计梯度,协调节点收集更新,用于下一步参数优化。低单步开销适于频繁迭代,跨机部署时更新频率、延迟和陈旧梯度会改变吞吐及收敛表现。模型分组训练并按验证选择是书中讨论的另一种并行方式。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第1章 引言
原书出处 · 1 处
- 引言 1.2 分布式优化算法国内外研究现状 · 查看原书依据
分布式SGD算法的基本思路是首先计算各个节点中的随机梯度,然后主节点收集所有节点的随机梯度,最终优化整个算法的模型参数[12-13]。
参考来源
- 位置:《分布式机器学习:交替方向乘子法在机器学习中的应用》第1章《引言》1.2 分布式优化算法国内外研究现状(来源项目 book-source,源文件:extracted/分布式机器学习:交替方向乘子法在机器学习中的应用/_epub-src/OEBPS/Text/chapter1.xhtml)
- 结论依据:1.2 分布式优化算法国内外研究现状中的定义、更新式或实验叙述提供本卡依据。节点利用本地样本估计梯度,协调节点收集更新,用于下一步参数优化。
- 原始内容:分布式SGD算法的基本思路是首先计算各个节点中的随机梯度,然后主节点收集所有节点的随机梯度,最终优化整个算法的模型参数[12-13]。