知识卡片
分开比较通信与预测质量
比较串行 ADMM、按特征划分的分布式 ADMM 和 CoCoA 时,同时记录达到相同停止条件的训练时间、通信与测试准确率。书中的 MNIST 实验比较固定 ADMM 轮数和特定硬件上的结果,说明该设置中 CoCoA 有收益,无法单独给出跨数据或跨机器的通用速度比。
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
原书出处 · 1 处
- CoCoA框架下的稀疏多元逻辑回归分布式求解 11.3.2 实验结果与分析 · 查看原书依据
同时,为了跟同类型分布式程序比较性能指标,我们将前面章节介绍的分布式ADMM求解SMLR(基于特征划分的分布式SMLR算法,即FP-SMLR)选入比较实验。ADMM的迭代次数都为100轮。三者的实验结果如表11.2所示。
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11章《CoCoA框架下的稀疏多元逻辑回归分布式求解》11.3.2 实验结果与分析(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/chapter11.xhtml)
- 结论依据:11.3.2 实验结果与分析中的定义、更新式或实验叙述提供本卡依据。比较串行 ADMM、按特征划分的分布式 ADMM 和 CoCoA 时,同时记录达到相同停止条件的训练时间、通信与测试准确率。
- 原始内容:同时,为了跟同类型分布式程序比较性能指标,我们将前面章节介绍的分布式ADMM求解SMLR(基于特征划分的分布式SMLR算法,即FP-SMLR)选入比较实验。ADMM的迭代次数都为100轮。三者的实验结果如表11.2所示。