技术咨询
代买器件
商务客服
研发客服近日发布了，通过并行处理常规顺序操作，可以加速的推理和训练。
本文引用地址：处理过程中，目前广泛采取并行化技术，不过中的一些操作仍然是按顺序完成的，扩散模型通过一系列的去噪阶段生成输出，并且逐层进行向前和向后传递。随着步骤数的增加，这些进程的顺序执行在计算上变得昂贵，可能会导致计算瓶颈。
科研团队为了解决这个问题，推出了，进一步加速了神经网络的训练和推理。该团队采用了平行循环还原（PCR）来检索该解决方案，将顺序过程的计算成本从 O（L）降低到 O（log2 L），降低了复杂性，提高了运行速度。
团队表示多层感知器中部署算法之后，并行化前向和后向通过，实现了最高30倍的前向传递速度和最高200倍的向后传递速度。
DeepPCR算法主要结论如下：
· DeepPCR是一种用于在神经网络训练和推理中并行化顺序过程的创新方法。它的主要特点是能够将计算复杂度从 O（L）降低到 O（log2 L），其中L是序列长度。
· DeepPCR已用于并行化多层感知器（MLP）中的前向和后向传递，还对该技术的性能进行了广泛的分析，以确定该方法的高性能状态，同时考虑基本设计参数。
· DeepPCR已被用于加速MNIST上的深度ResNet训练，以及在MNIST、CIFAR-10和CelebA数据集上训练的扩散模型的生成。结果表明，虽然DeepPCR显示出显著的加速，将ResNet训练的数据恢复速度提高了7×，扩散模型创建速度提高了11×。
文章来源于:电子产品世界 原文链接
本站所有转载文章系出于传递更多信息之目的，且明确注明来源，不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。