- 综合排序
- 最热优先
- 最新优先
- 来自专栏罗西的思考
深度学习分布式训练框架 horovod (11) --- on spark --- GLOO 方案
[源码解析] 深度学习分布式训练框架 horovod (11) --- on spark --- GLOO 方案 目录 [源码解析] 深度学习分布式训练框架 horovod (11) --- on spark 本系列其他文章如下： [源码解析] 深度学习分布式训练框架 Horovod (1) --- 基础知识 [源码解析] 深度学习分布式训练框架 horovod (2) --- 从使用者角度切入 [源码解析] 深度学习分布式训练框架 horovod (3) --- Horovodrun背后做了什么 [源码解析] 深度学习分布式训练框架 horovod (4) --- 网络基础 & Driver [源码解析] 深度学习分布式训练框架 horovod (5) --- 融合框架 [源码解析] 深度学习分布式训练框架 horovod (6) --- 后台线程架构 [源码解析] 深度学习分布式训练框架 horovod (7) --- DistributedOptimizer [源码解析] 深度学习分布式训练框架 horovod (8) --- on spark [源码解析] 深度学习分布式训练框架 horovod
99730发布于 2021-07-13 - 来自专栏量子位
PyTorch 1.7发布：支持CUDA 11、Windows分布式训练
木易 发自 凹非寺 量子位 报道 | 公众号 QbitAI 自从7月份CUDA 11发布以来，就陆陆续续听到了网友类似的吐槽： 这正说着，10月27日，PyTorch团队发布了PyTorch 1.7 ，终于能支持CUDA 11了，可喜可贺（狗头）。 此外，分布式数据并行（DDP）和基于远程过程调用（RPC）的分布式训练也有了重大的更新，在Windows平台上的分布式训练提供支持。 分布式训练&RPC 分布式训练和RPC有着最多的更新数目——7项，这其中有1项稳定版、5项测试版及1项原型版。 在PyTorch 1.7中，进行了以下增强: 实现了对通过RPC分析TorchScript函数的更好支持 在与RPC配合使用的探查器功能方面实现了均等 在服务器端增加了对异步RPC函数的支持 分布式训练的
1.1K20编辑于 2023-03-10 - 来自专栏机器之心
PyTorch 1.7发布，支持CUDA 11、Windows分布式训练
该版本增添了很多新特性，如支持 CUDA 11、Windows 分布式训练、增加了支持快速傅里叶变换（FFT）的新型 API 等。 ? PyTorch 1.7 版本包含很多新的 API，如支持 NumPy 兼容的 FFT 操作、性能分析工具，以及对基于分布式数据并行（DDP）和基于远程过程调用（RPC）的分布式训练的重要更新。 测试版）通过 torch.fft 支持 NumPy 兼容的 FFT 操作； （原型版）支持英伟达 A100 GPU 和原生 TF32 格式； （原型版）支持 Windows 系统上的分布式训练。 开发者对 PyTorch 1.7 的态度 有开发者对 PyTorch 1.7「支持 Windows 上的分布式训练」这一新功能表示赞赏： ? 以及乐见于「PyTorch 对 CUDA 11 的支持」： ? 依然有人趁机表白 PyTorch，并列出偏好 PyTorch 的原因，如报错易读、代码直观、易于实验。 ?
1K30发布于 2020-11-04 - 来自专栏机器学习算法与Python学习
PyTorch 1.7发布，支持CUDA 11、Windows分布式训练
该版本增添了很多新特性，如支持 CUDA 11、Windows 分布式训练、增加了支持快速傅里叶变换（FFT）的新型 API 等。 ? PyTorch 1.7 版本包含很多新的 API，如支持 NumPy 兼容的 FFT 操作、性能分析工具，以及对基于分布式数据并行（DDP）和基于远程过程调用（RPC）的分布式训练的重要更新。 测试版）通过 torch.fft 支持 NumPy 兼容的 FFT 操作； （原型版）支持英伟达 A100 GPU 和原生 TF32 格式； （原型版）支持 Windows 系统上的分布式训练。 开发者对 PyTorch 1.7 的态度 有开发者对 PyTorch 1.7「支持 Windows 上的分布式训练」这一新功能表示赞赏： ? 以及乐见于「PyTorch 对 CUDA 11 的支持」： ? 依然有人趁机表白 PyTorch，并列出偏好 PyTorch 的原因，如报错易读、代码直观、易于实验。 ?
92510发布于 2020-11-03 - 来自专栏PyVision
支持CUDA 11，Windows 分布式训练，以及FFT新API
PyTorch 1.7版本包括了一些新的 API，比如对兼容 numpy 的 FFT 操作的支持、性能分析工具以及对分布式数据并行(DDP)和基于远程过程调用(RPC)的分布式训练的重要更新。 torch.fft 支持兼容 NumPy 的 FFT (Prototype) 支持 Nvidia 新一代 A100 GPU 和原生 TF32 格式 (Prototype) 现在支持 Windows 上的分布式训练 分布式训练和 RPC： [BETA] 在 DDP 中支持不均匀的数据集输入 PyTorch 1.7引入了一个新的上下文管理器，可以与使用 torch.nn.parallel.DistributedDataParallel 当与 torchelastic(可以从最后一个检查点恢复训练过程)之类的东西一起使用时，用户可以有更高的可靠性进行分布式训练。 [PROTOTYPE] 分布式训练支持 WINDOWS PyTorch 1.7为 Windows 平台上的 DistributedDataParallel 和 collective 通信带来了原型支持。
1.5K32发布于 2020-10-30 - 来自专栏计算机视觉理论及其实现
分布式训练代码
Pytorch 分布式模式介绍_Wanderer001的博客-CSDN博客_pytorch 分布式1、分布式训练代码import torchfrom config import Configfrom dataset
84340编辑于 2022-09-02 - 来自专栏AI算法能力提高班
Pytorch分布式训练
Pytorch分布式训练 Dataset next(iter(dataloader))返回一个batch的数据 , 等价于IterableDataset 可以用 pytorch IterableDataset iterable Dataset 在分布式训练 在分布式时训练中数据并行的时，每块GPU都有一个独立的model和独立的进程(DDP模式)去训练完整数据的子集，在Pytorch中的DDP模式是通过DistributedSampler ()去实现在分布式并行训练时每个模型读取是整个数据集上不同部分，从而避免训练时取数据发生重复。 backend torch提供了NCCL, GLOO,MPI三种可用的后端 CPU的分布式训练选择GLOO, GPU的分布式训练就用NCCL即可 init_method 显式指定init_method， 或者 mp.spawn 启动分布式训练 image-20230817150712701 1 分布式训练数据加载 Dataloader需要把所有数据分成N份(N为worldsize), 并能正确的分发到不同的进程中
1.9K20编辑于 2023-09-13 - 来自专栏torch-detection-学习笔记
Pytorch 分布式训练
基本原则： 用 NCCL 进行分布式 GPU 训练 用 Gloo 进行分布式 CPU 训练 无限带宽互联的 GPU 集群 使用 NCCL，因为它是目前唯一支持 InfiniBand 和 GPUDirect 的后端 无限带宽和 GPU 直连 使用 NCCL，因为其目前提供最佳的分布式 GPU 训练性能。 launch 可用于单节点的分布式训练，支持 CPU 和 GPU。对于 GPU 而言，若每个进程对应一个 GPU，则训练将取得最大性能。 该工具以及多进程分布式训练，目前只有在 NCCL 上才能发挥最好的性能，NCCL 也是被推荐用于分布式 GPU 训练的。 --nnodes 指定用来分布式训练脚本的节点数 --node_rank 多节点分布式训练时，指定当前节点的 rank。 --nproc_per_node 指定当前节点上，使用 GPU 训练的进程数。
3K30发布于 2020-09-07 - 来自专栏计算机视觉理论及其实现
Pytorch分布式训练错误
main_distribute.py’, ‘–local_rank=1’]’ returned non-zero exit status 1.pytorch DistributedDataParallel训练时遇到的问题
4.6K10编辑于 2022-09-02 - 来自专栏计算机视觉理论及其实现
PyTorch分布式训练简介
PyTorch分布式训练分布式训练已经成为如今训练深度学习模型的一个必备工具，但pytorch默认使用单个GPU进行训练，如果想用使用多个GPU乃至多个含有多块GPU的节点进行分布式训练的时候，需要在代码当中进行修改 ，这里总结一下几种使用pytorch进行分布式训练的方式。 如果是单节点多GPU，将会在单个GPU上运行一个分布式进程，据称可以非常好地改进单节点训练性能。如果用于多节点分布式训练，则通过在每个节点上产生多个进程来获得更好的多节点分布式训练性能。 在单节点分布式训练或多节点分布式训练的两种情况下，该工具将为每个节点启动给定数量的进程（–nproc_per_node）。 至此就介绍完了pytorch的分布式训练的基础内容。
5.3K20编辑于 2022-09-03 - 来自专栏算法私房菜
Tensorflow笔记：分布式训练
前言 对于数据量较大的时候，通过分布式训练可以加速训练。 本文简单介绍了多机(单卡/多卡不重要)情况下的分布式Tensorflow训练方法。 对于分布式训练与单机训练主要有两个不同：1. 如何开始训练；2. 训练时如何进行分工。分别会在下面两节进行介绍。 确认彼此 单机训练直接可以通过一个脚本就告诉机器“我要开始训练啦”就可以，但是对于分布式训练而言，多台机器需要互相通信，就需要先“见个面认识一下”。就需要给每一台机器一个“名单”，让他去找其他机器。 分布式训练的方式分为异步训练和同步训练。 下面我们分别介绍： 2.1 异步分布式训练 我们还是据一个简单的DNN来分类MNIST数据集的例子，脚本应该长这样： # 异步分布式训练 #coding=utf-8 import time import
1.6K31发布于 2021-09-24 - 来自专栏ThoughtWorks
从分布式计算到分布式训练
对于模型训练来说，目前一般会有两种做法： 单机模型训练 分布式模型训练 ---- 单机模型训练 所谓的单机训练，其实就是在一台机器上训练了，对于单机模型训练来讲，瓶颈主要在于提升单机的性能配置，例如不停的提高单个 分布式模型训练 对于单机训练来说，单个GPU，始终会陷入瓶颈，所以对于模型训练，也有人开始尝试，是否可以分布式训练？ 对于目前来讲，模型的分布式一般会有以下几种做法： 数据分布式训练 模型分布式训练 混合训练 ? ? ，将计算描述为一个图，然后再判断图中的哪些计算可以并行运行，分别拆分到不同的节点上进行训练，从而达到分布式训练的效果。 在混合训练中，模型训练会被分散，同时数据也会分散，无论是哪种分布式训练，最终都会涉及一个操作：模型的归一。在目前来说，有不同的做法，可以将模型最终归一，例如集成算法就是逻辑上实现了模型的归一。
1.6K50发布于 2018-04-17 - 来自专栏算法工程师的学习日志
Python基础训练100题-11
分享一些Python学习题目 实例051：按位与 实例052：按位或 实例053：按位异或 实例054：位取反、位移动 实例055：按位取反 实例051：按位与 题目：学习使用按位与 & 。 程序分析：0&0=0; 0&1=0; 1&0=0; 1&1=1。 a=0o77 print(a) b=a&3 print(b) b=b&7 print(b) 实例052：按位或 题目：学习使用按位或 | 。 程序分析：0|0=0; 0|1=1; 1|0=1; 1|1=1 a=0o77 print(a|3) print(
31120编辑于 2022-07-27 - 来自专栏AI算法能力提高班
DeepSpeed大模型分布式训练
return args Initialization 必须把args, model结构和参数变成deepspeed版本 对于dataloder可以用deepspeed.initialize变成分布式 parameters, training_data=None) DataLoder 因为deepspeed基于pytorch.dist，所以可以用dataloader，注意自定义dataloder需要分布式采样 DistributedSampler 自定义分布式dataloder，注意batch_size定义，分布式的batch_size是指每张gpu上批大小，不开启分布式batch_size指所有gpu的总大小 # 开启分布式 用DistributedSampler if local_rank >= 0: if data_sampler is None: data_sampler = self.data = (x for x in self.dataloader) return self.dataloader Training API 把读取的分布式
1.3K30编辑于 2023-09-13 - 来自专栏云社区活动
分布式模型训练的利与弊
这时候，分布式模型训练应运而生，为解决资源和计算瓶颈提供了一种高效的路径。然而，分布式训练并非完美无缺，它既带来了新的可能性，也伴随着新的挑战。 今天，我就结合自己的经验，和大家聊聊分布式模型训练的利与弊，并通过代码案例让你更直观地感受这一技术。什么是分布式模型训练？ 分布式模型训练的优点1. 加速训练过程分布式训练的直接收益就是加快了训练速度。例如，将1000张图片的训练任务分配到4台机器上，每台只需要处理250张。对于超大规模模型来说，分布式训练更是不可或缺。 分布式训练能通过模型并行有效解决这一问题，让大模型的训练成为可能。4. 容错性和灵活性分布式训练还可以通过一定的冗余机制提升系统的容错性。 如果你的任务规模较小，单机训练就已经足够，可以不必引入分布式训练的复杂性。此外，在实施分布式训练时，可以通过分阶段优化逐步降低通信开销和硬件负担。
41600编辑于 2025-03-18 - 来自专栏IT技术订阅
DeepSeek分布式模型训练详解
随着人工智能技术的飞速发展，大规模预训练语言模型（LLM）逐渐成为研究和应用的热点。DeepSeek作为一款高性能的预训练语言模型，其分布式模型训练技术在业界引起了广泛关注。 本文将从分布式训练架构、关键技术优化、训练过程、模型配置与超参数设置、数据集准备与处理以及训练任务启动等方面，深入解析DeepSeek的分布式模型训练过程。 通过这种优化，DeepSeek能够在大规模集群中实现高效的通信，进一步提升了分布式训练的效率。 （二）任务启动 进入代码根目录并执行相应的脚本命令，启动单台或分布式训练任务。训练任务的启动是训练过程的最后一步，通过执行脚本命令，可以启动模型的训练过程，并在大规模集群上进行分布式训练。 七、总结 DeepSeek的分布式模型训练技术在大规模预训练语言模型的训练过程中发挥了重要作用。
1.4K11编辑于 2025-02-18 - 来自专栏罗西的思考
使用 TensorFlow 进行分布式训练
[翻译] 使用 TensorFlow 进行分布式训练 目录 [翻译] 使用 TensorFlow 进行分布式训练 0x00 摘要 1. 概述 2. 其中一些轴包括： 同步和异步训练：这是通过数据并行进行分布式训练的两种常用方法。在同步训练中，所有工作进程都同步地对输入数据的不同片段进行训练，并且会在每一步中聚合梯度。 就分布式训练架构而言，TPUStrategy 和 MirroredStrategy 是一样的，即实现同步分布式训练。 它实现了跨多个工作进程的同步分布式训练（多机多卡分布式版本），而每个工作进程可能有多个 GPU。 tf.keras 是用于构建和训练模型的高级 API。将该策略集成到 tf.keras 后端以后，您可以使用 model.fit 在 Keras 训练框架中无缝进行分布式训练。
2.4K21编辑于 2022-05-09 大模型自训练与分布式训练技术前沿
ImportAI 449: 大语言模型训练其他大语言模型；72B分布式训练运行；计算机视觉比生成式文本更难大语言模型能否自主精调其他大语言模型以执行新任务？ ***COVENANT-72B：通过分布式训练挑战AI的政治经济学通过区块链进行的分布式训练取得了有意义的胜利一群人利用区块链协调了一个72B参数模型的分布式训练运行，该模型的性能与某机构在2023年发布并训练的 “我们的模型在大约1.1万亿token上进行了预训练，其性能与在相似或更高计算预算下训练的完全集中式模型具有竞争力，这证明了完全民主化、无需白名单的参与不仅是可行的，而且可以在全球分布式预训练运行中以空前的规模实现 其真正独特之处在于它以分布式方式训练，大约20个不同的对等节点，每个节点运行8块B200 GPU，共同参与训练。 但要做到这一点，分布式训练需要赶上前沿水平——尽管Covenant令人印象深刻，它主要证明了分布式训练可以构建一些具有一定效用但并非最前沿的非平凡模型，而这与当前的前沿水平仍有很大距离——现代前沿模型是在数万到数十万个芯片上训练的
13110编辑于 2026-06-09- 来自专栏罗西的思考
分布式训练 Parameter sharding 之 ZeRO
[论文翻译] 分布式训练 Parameter sharding 之 ZeRO 目录 [论文翻译] 分布式训练 Parameter sharding 之 ZeRO 0x00 摘要 0x01 综述 1.1 本系列其他文章如下： [源码解析] PyTorch 分布式之 ZeroRedundancyOptimizer 0x01 综述 这部分主要翻译自 DeepSpeed: Extreme-scale model 可以用同样内存来来运行更大的模型，可以使用数据并行方式来训练那些以前只能使用模型并行进行训练的模型。 此外，这些方法静态地维护整个训练过程中所需的所有模型状态，即使在训练过程中并非始终需要所有模型状态。 MD不仅使ZeRO能够以更大的批量训练更大的模型，而且还可以在内存有限的情况下提高训练效率。
1.3K20编辑于 2022-05-09 SageMaker分布式训练引擎技术揭秘
SageMaker 分布式训练引擎背后的科学某机构机器学习副总裁在年度 re:Invent 大会上宣布了两项新功能，旨在让用户通过 SageMaker 训练大规模、数据密集型神经网络变得更便宜、更简单。 SageMaker 的数据并行库即使在大规模计算实例参与训练的情况下，也能实现近乎线性的扩展效率，使得在大型数据集上训练模型更快、更具成本效益。 SageMaker 的模型并行库则能自动协调那些规模过大、无法单机训练的神经网络的训练过程。数据并行训练数据并行训练将同一神经网络的副本发送到不同的分布式计算节点，每个节点用不同的数据批次训练其副本。 当 CPU 在聚合和传输一批梯度时，GPU 可以开始处理下一批数据，这使得分布式训练能够更高效地扩展。为了在 CPU 之间通信梯度更新，SDP 使用了 All-Reduce 操作。 快速上手用户现在可以通过 GitHub 上的示例，或阅读更多文档来了解 SageMaker 上的分布式训练，并开始使用新的分布式库。FINISHED
13010编辑于 2026-02-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号