站长资讯网加速DNN模型训练速度方法中，数据并行受到单个加速器可支持模型大小的限制;而模型并行因为DNN顺序性导致大量算力浪费。目前Google推出GPipe，将两种方法的优势进行结合，解决了两者的劣势，成功提升训练速度。
深度神经网络(DNN)已经推动了许多机器学习任务，比如语音识别，视觉识别和语言处理。
BigGan、Bert和GPT2.0的最新进展表明，越大的DNN模型，越能带来更好的性能。
而视觉识别任务的过去进展也表明，模型大小和分类准确性之间，存在很强的相关性。
例如2014年ImageNet视觉识别挑战赛中，获胜者GoogleNet使用400万参数，精确度达到了74.8%。
而2017年ImageNet挑战赛的获胜者Squeeze-and-Excitation Networks，使用1.5亿参数，精确度达到了82.7%。
仅仅3年，数据处理能力翻了36番。而在同一时期，GPU内存仅增加了约3倍。
当前最先进的图像模型，已经达到了云TPUv2内存的可用上限。因此，迫切需要一种更高效、可扩展的基础设施，以实现大规模深度学习，并克服当前加速器的内存限制。
ImageNet精度和模型大小之间的强相关性
基于以上目的，Google推出了GPipe。
GPipe是什么，效果如何?
GPipe是一个分布式机器学习、可扩展的管道并行库，可以学习巨型深度神经网络。
使用同步随机梯度下降和管道并行性进行训练，适用于由多个连续层组成的任何DNN。
GPipe允许研究人员轻松部署更多加速器来训练更大的模型，并在不调整超参数的情况下，达到提升性能的效果。
GPipe将跨加速器和管道执行的网络层进行分区，以便实现对硬件更高的利用率，同时利用重新计算来将激活的内存使用降至最低。
例如，使用8个加速器的分区，GPipe就可以训练25倍大神经网络。
而GPipe也几乎实现了线性加速。使用4倍数量的加速器，处理同一个模型的速度提升了3.5倍;16倍加速器速度提升11倍。
同时它也要保证计算的梯度和分区的数量保持一致，从而在不对模型的参数做任何改动的前提下，都能保持线性加速。
目前，核心GPipe库已在Lingvo框架下开源。
为什么要对跨加速器的模型进行分区?
有两种标准方法可以加速DNN模型：
数据并行方法，使用更多的机器并将输入数据分开
模型并行性。将模型移动到如GPU或TPU等具有加速模型训练的特殊硬件
然而加速器的内存、与主机的通信带宽均有限。因此模型并行性就需要将模型进行分割，将不同的分区分配给不通过的加速器。
可是由于由于DNN的顺序性，这种朴素的策略可能导致在计算期间，只有一个加速器处于激活状态，导致大量算力的浪费。
而标准数据并行方法是允许在多个加速器上，同时训练不同输入数据的相同模型，但每个加速器可支持模型大小又有限制。
GPipe的做法是将模型分割，并划分给不同的加速器，自动将小Batch拆分为更小的微Batch，这样就实现了跨多个加速器的高效训练。
此外，因为梯度一直在微批次中累积，所以分区数量不会影响模型质量。
Time部分：由于网络的连续性，幼稚模型并行策略导致严重的未充分利用。 一次只有一个加速器处于活动状态。
Bubble部分：GPipe将输入小批量分成较小的微批次，使不同的加速器可以同时在单独的微批次上工作。
使用GPipe和不使用，之间的差异有多大?
一个TPUv2有8个加速器核心和64GB内存(每个加速器8GB)，由于内存限制，单个加速器可以训练的参数量上限是8200万。
借助反向传播和批量分割中的重新计算，GPipe将中间激活内存从6.26GB减少到3.46GB，将单个加速器参数处理上限提升至3.18亿个。
我们还看到，通过管道并行性，最大模型大小与分区数成正比，如预期的那样。
通过GPipe，AmoebaNet能够在云TPUv2的8个加速器上加入18亿个参数，比没有GPipe的情况下多25倍。
Google测量了GPipe对AmoebaNet-D模型吞吐量的影响。效率和加速器的数量几乎是呈线性加速，8个加速器+8个分区，比2个加速器+2个分区快2.5倍。
TPUv3效果更好。在1024个令牌句子上启用了80亿个参数Transformer语言模型，16个加速器将速度提升了11倍
使用GPipe加速AmoebaNet-D，这种模型不适合一个加速器。基线naive-2是将模型拆分为两个分区时本机分区方法的性能。Pipeline-k指的是GPipe的性能，它将模型分成带有k个加速器的k个分区。
GPipe还可以通过使用更多加速器来扩展训练，而无需更改超参数。因此，它可以与数据并行性相结合，以互补的方式使用更多的加速器来扩展神经网络训练。
GPipe精确度能达到多少?
前面我们提到，处理的数据量越大，获得的精度就越高。
Google在ImageNet ILSVRC-2012数据集上，使用Cloud TPUv2训练了一个有5.57亿参数、480 x 480输入图像尺寸的AmoebaNet-B模型。
该网络被分成4个分区，这个巨型模型在多个流行数据集上表现良好，在没有任何外部数据的情况下，精度达到了最先进的84.3% top-1，以及97% top-5的single-crop验证准确度。
大型神经网络不仅适用于ImageNet等数据集，还通过迁移学习，与其他数据集息息相关。
目前我们已知ImageNet模型越好，迁移就越好。Google在CIFAR10和CIFAR100数据集上进行了迁移学习实验，将最佳公布的CIFAR-10精度提高到99%，将CIFAR-100精度提高到91.3%。
