Intel-BigDL 训练过程(DistriOptimize)详解

Intel-BigDL DistriOptimizer内部过程分析

Intel深度学习库BigDL在分布式模式下进行Model的训练是非常简单的，用户只需要提供需要训练的Model，训练集(RDD[Sample] or DataSet)，损失函数(Criterion)，batchSize(若训练集是DataSet则不需要提供)，选择需要使用的优化方法(默认是SGD），然后通过val optimizer = new Optimizer(...)创建一个Optimizer实例，最后调用optimizer.optimize()方法即可。根据具体的需要，还可以在训练过程中进行验证(需提供验证集，validationMethod,batchSize等)，训练过程可视化(通过TrainSummary和ValidationSummary)。

BigDL分布式训练过程

BigDL中Model的训练主要分为如下几步：

  1. 创建Optimizer实例并设置自定义的训练的正常结束条件，优化方法，是否需要可视化等。
  2. 调用Optimizer实例的optimize()方法开始训练。
    1. 初始化训练参数。
    2. 对于每个IIteration。
      • 在Driver端初始化累加器，metrics等。
      • 在Executor上获取最新的参数，并将随机获取的batch划分为_subModelNumber个miniBatch。
      • 根据当前model和miniBatch计算Gradient。
      • Aggregate Gradiens。
      • 根据梯度进行参数更新。
      • 根据触发条件进行Validation，保存checkpoint和Summary等。
  3. 获取训练好的参数并返回训练后的Model。

这个过程的流程如如下：

optim-1.jpg

其中最重要的就是第2步了，下面将详细进行讲解。

创建Optimizer实例

在创建Optimizer实例时，BigDL会根据传入的参数类型返回特定的Optimizer，目前BigDL中实现的Optimizer有DistriOptimizer和LocalOptimizer两种，其中使用最多的是DistriOptimizer，下面的讲解也只针对DistriOptimizer进行。

// create optimizer
val optimizer = Optimizer(
  model = model,
  sampleRDD = trainSamples,
  criterion = new ClassNLLCriterion[Float](),
  batchSize = param.batchSize
)

在创建Optimizer实例时传入参数和返回的Optimizer实例的对应关系如下：

object Optimizer(){
def applay(model,sampleRDD,criterion,batchsize,feapad=null,labpad=null)=new DistriOptimizer[T](model,DataSet.rdd(sampleRDD)->SampleToMiniBatch(batchsize,_feapad,_labpad).asInstanceOf[DistributeDataSet[MiniBatch[T]]],criterion).asInstanceOf[Optimizer[T,MiniBatch[T]]

def applay(model,sampleRDD,criterion,batchsize,minBatchImp1)=new DistriOptimizer[T](model,DataSet.rdd(sampleRDD)->SampleToMiniBatch(miniBatchImp1,batchsize,None).asInstanceOf[DistributeDataSet[MiniBatch[T]]],criterion).asInstanceOf[Optimizer[T,MiniBatch[T]]

def applay(model,dataset,criterion)= dataset match {
case d:DistributedDataset[T]=> new DistriOptimizer[T](model,dataset.asInstanceOf[DistributedDataSet[MiniBatch[T]]],criterion).asInstanceOf[Optimizer[T,D]]
case d :LocalDataSet[_] =>
new LocalOptimizer[T](model,dataset.asInstanceOf[LocalDataSet[MiniBatch[T]],criterion).asInstanceOf[Optimizer[T,D]])
}

Model初始化

参数初始化过程需要完成的工作包括:

  • 清除optimMethod的历史信息，并初始化某些(超)参数;
  • 获取不同optimMethod和subModel之间的对应关系，以subModuleName ->(storageOffset,length,AllReduceParameter)的形式返回Model的weights和bias;
  • 对训练集进行类型转换并Cache到内存中prepareInput();
  • 初始化模型参数，并按照训练集的Partition构建对应的RDD[Cache];
  • Option:建立checkpoint的保存目录。

其中最重要的就是根据训练集生成对应的RDD[Cache]，并对Model参数进行初始化。需要特别提出的是在同一个Worker上的Model共享相同的Parameters(Weights and Bias)即使用相同的存储空间但是Gradients则不共享。

  1. 清除历史记录并设置(超)参数。
// clear history
optimMethods.values.foreach { optimMethod =>
          optimMethod.clearHistory()
}
// set HyperParameters
if (optimMethods.size == 1) {
    optimMethods.head._2.loadFromTable(state)
}
  1. 以subModelName -> AllReduceParameter的形式返回Model参数。
AllReduceParameter 表示存储在block manager中的parameter。在分布式模式下,每个worker从block manager同步parameter，此时Block manager相当于是parameter server。 Tensor 会被划分为`partitionNum`块（chunk),每一块存储到对应的node(spark executor)。gradient也采用同样的方法存储到不同的node。这样gradient aggregation 和parameter update就可能独立进行。

// AllReduceParameter中定义的主要函数有
def getWeights(localParameter: Tensor[T]): FutureResult[Int] 
def aggregateGradientPartition(avgNumbers: Int): Unit
def putGradients(parameter: Tensor[T]): Unit
def sendWeightPartition(): Unit

获取subModelName和AllReduceParameter对应关系的代码如下：

    val parameters = if (optimMethods.size != 1) {
      val p = optimMethods.map{case (subModuleName, optimMethods) =>
        val subModule = model(subModuleName)
        val subModuleWeights = subModule.get.getParameters()._1
        (subModuleName, subModuleWeights)
      }
      val sortedWeights = p.values.toArray.sortWith((a, b) => a.storageOffset() < b.storageOffset())
      val compactWeights = Module.isCompact(sortedWeights)
      p.map{case (subModuleName, weights) =>
        (subModuleName, AllReduceParameter.newParameter[T](
          partitionNum, weights.nElement(), weights.storageOffset()))
      }
    } else if (optimMethods.contains(model.getName())) {
      Map(model.getName() -> AllReduceParameter.newParameter[T](
        partitionNum, modelParameters._1.nElement()))
    } else {
      throw new IllegalArgumentException(...)
    }
  1. 对训练集进行类型转换并Cache到内存中。
if (!dataset.asInstanceOf[DistributedDataSet[MiniBatch[T]]].isCached){
      DistriOptimizer.logger.info("caching training rdd ...")
     DistriOptimizer.prepareInput(this.dataset,this.validationDataSet)
 }
  1. 模型参数初始化并构建RDD[Cache]。

在DistriOptimizer中通过调用DistriOptimizer.initThreadModels(...)来实现模型参数的划分，参数初始化和RDD[Cache]的生成。具体代码如下：

// Init engine and cache models, weights, gradients, criterions, state tables and validation methods on worker nodes.
val broadcast = sc.broadcast((criterion, state, validationMethods, optimMethod))
 // Notes: All models returned by modelBroadcast.value() share the same weight&bias, while gradWeight&gradBias is unshared.
 val modelBroadcast = ModelBroadcast[T]().broadcast(sc, model)

然后在每个worker上执行
val partitionId = TaskContext.getPartitionId
val (broadcastCriterion, broadcastState, broadcastMethod,broadcastOptim) = broadcast.value
进行Singleton检查 //true if current execution is a singleton on the JVM

 val cached = (0 until _subModelNumber).map { _ =>
        val localModel = modelBroadcast.value(true)
        // differentiate partition models from each other by partition ID
        setModelId(localModel, partitionId)
        val localCriterion = broadcastCriterion.cloneCriterion()
        val localState = broadcastState.clone()
        val localMethod =
          if (broadcastMethod.isDefined) Some(broadcastMethod.get.map(_.clone())) else None
        val (weights, grads) = localModel.getParameters()
        (localModel, weights, grads, localCriterion, localState, localMethod)
      }.toArray

// 初始化参数,调用 AllReduceParameter.init(...)
val weights = cached.head._2
      parameters.foreach(v =>
        v._2.init(weights.narrow(1, v._2.paramOffset, v._2.size))
      )

val models = RDD[Cache[T]] .persist() // Memory_only

其中Cache是一个case class，具体结构如下：

// model cached in memeroy using following format
/**
  * Optimizer cache some metadata on each executor
  *
  * @param localModels cached models
  * @param modelWeights weights of the cached models
  * @param modelGradients gradients of the cached models
  * @param localCriterions cached criterion
  * @param localStates cached state
  * @param moduleTimeList module running time
  * @param localMethods cached validation methods
  * @param optimMethods cached optim methods
  * @tparam T Tensor element type
  */
case class Cache[T](
                     localModels: Array[Module[T]],
                     modelWeights: Array[Tensor[T]],
                     modelGradients: Array[Tensor[T]],
                     localCriterions: Array[Criterion[T]],
                     localStates: Array[Table],
                     var moduleTimeList: Array[Long] = null,
                     localMethods: Array[Option[Array[ValidationMethod[T]]]],
                     optimMethods: Map[String, OptimMethod[T]]
                   )

在这个过程中最重要的就是进行Model参数的初始化和参数的存储，在正式进行训练的时候，dataRDD与models(RDD[Cache[T]]进行zipPartitions操作，从而在每个Executor上完成梯度的计算。
最终经过参数初始化之后的RDD[Cache[T]]结构如下：

optim-2.png
  1. Option:建立checkpoint的存储目录
if (checkpointPath.isDefined) {
      val file = checkpointPath.get + "/" +
        new SimpleDateFormat("yyyyMMdd_HHmmss").format(Calendar.getInstance().getTime())
      new File(file).mkdir()
      checkpointPath = Some(file)
}

分布式训练

BigDL中以Iteration为训练的基本单位，首先需要在Driver端进行训练过程信息的初始化，如设置当前已经训练的多少个Iteration，多少个Epoch，当前的loss是多少等。这些信息都以Table的形式保存在optimMethod.state和driverState中。
分布式训练本身是一个比较复杂的过程，为了方便用户能实时跟踪模型的训练过程，BigDL还需要收集训练过程中的多种信息，在正式开始训练之前也需要对这些进行初始化。
当上面的工作都完成之后，就正式进入训练了。对应每个迭代，首先需要初始化累加器(lossSum和recordsSum)，一些必要的状态信息也需要进行初始化。然后调用dataRDD.zipPartitions(models,preservesPartitioning=true){(data,modelIter) => ...}开始在每个Executor上执行具体的计算任务。

同步最新的参数到worker

Note: All models in cached share the same storage for weights, so we only need to copy the weights from parameter server into the first model's weights.

val weightsResults = parameters.values.map(p =>
p.getWeights(cached.modelWeights.head.narrow(1, p.paramOffset,p.size))
).toArray

划分miniBatch

对于每个Task，BigDL会从当前Partition中随机获取一个Batch，然后将它划分为多个miniBatch，miniBatch的个数是当前Executor能并行的MapTask数——即当前Executor的core数(_subModelNumber)。

val cached = modelIter.next()
val batch = data.next()
...
var b = 0
while (b < _subModelNumber) {
   miniBatchBuffer(b) = batch.slice(b * stackSize + 1, stackSize)
   b += 1
}

梯度计算-model-forward-backward-Job

在参数同步和miniBatch划分完成之后就开始正式开始调用forward和backward方法来进行梯度的计算了。

optim-3.jpg

具体代码如下：

val trainingThreads = Engine.default.invokeAndWait2((0 until _subModelNumber).map(i =>() => {
    val trainStart = System.nanoTime()
    val localModel = cached.localModels(i)
    localModel.training()
    val localCriterion = cached.localCriterions(i)
    val input = miniBatchBuffer(i).getInput()
    val target = miniBatchBuffer(i).getTarget()
    val output = localModel.forward(input)
    lossArray(i) = ev.toType[Double](localCriterion.forward(output, target))
    val errors = localCriterion.backward(output, target)
    localModel.backward(input, errors)
    cached.moduleTimeList(i + pre) = System.nanoTime() - trainStart + weightSyncTime
    i
 }

当这个Partition中的梯度就算完成之后，BigDL会把_subModelNumber个MapTask的梯度聚合(sum)到一起，然后将最终的结果保存到BlockManager中，以待后续其他worker拉取梯度并更新参数时使用。
这里的gradient aggregate是在同一个executor中进行。

//获取已经计算完成的梯度
val finishedGradients = finishedThreads.map(cached.modelGradients(_))
// 梯度聚合(sum)
if (finishedThreads.nonEmpty) {
 parameters.values.foreach { p =>
   time = System.nanoTime()
   val pOffset = p.paramOffset
   val pLength = p.size
   val taskSize = pLength / _subModelNumber
   val extraTask = pLength % _subModelNumber
   // Aggregate multi-model's gradient to the first model's gradient
   val parallelNum = if (taskSize == 0) extraTask else _subModelNumber
   Engine.default.invokeAndWait((0 until parallelNum).map(tid => () => {
     val offset = pOffset + tid * taskSize + math.min(tid, extraTask)
     val length = taskSize + (if (tid < extraTask) 1 else 0)
     var i = 1
     while (i < finishedGradients.length) {
     finishedGradients(0).narrow(1, offset, length)
       .add(finishedGradients(i).narrow(1, offset, length))
       i += 1
     }
     }))
   //将梯度保存到BlockManager中
   // Put first finished model's gradient who aggregated
   // all other models' gradient to AllReduceParameter
   p.putGradients(finishedGradients(0).narrow(1, pOffset, pLength))
}else{
   // zero gradient in BlockManager when no thread finished.
      cached.modelGradients(0).zero()
      parameters.values.foreach{p =>
      p.putGradients(cached.modelGradients(0).narrow(1, p.paramOffset, p.size))}

参数更新-Parameter-synchronization-Job

Aggregate gradients
在进行梯度合并的时候，BigDL先将每个Task计算得到的gradient划分为n(n为Task的数目)份，然后启动n个Task来进行梯度聚合，每个task只负责处理对应的部分，如Task1只负责聚合每个local gradient中的第一部分。

optim-4.jpg

这里的gradient aggregate是在不同Executor间进行的：

// enough records were processed for this batch, so update the model
val value = lossSum.value / numFinishedModelUpdates

driverState("numFinishedModel") = numFinishedModelUpdates
// isGradientUpdated is flag to mark whether gradient is updated. May changed in the future.
driverState("isGradientUpdated") = false
// parameterProcesser like L2NormClippingProcessor may aggregate gradient,
// and change the value of isGradientUpdated in driverState.
parameters.foreach { p =>
  parameterProcessers.foreach(_.collectGlobalData(models, p._2, metrics, driverState))
}
val isGradientUpdated = driverState[Boolean]("isGradientUpdated")
val stateBroadcast = sc.broadcast(driverState)
...
}.reduce(_ + _) //梯度计算 Spark Job

进行gradients aggregate的具体代码如下：

/**
 * Retrieve gradients for the slice of the model that this node is responsible for from all the
 * other nodes. A new thread is created for each separate node. The gradients are then summed
 * and then stored in decompressed form in `gradientPartition`.
 * @param avgNumbers average numbers.
 */
def aggregateGradientPartition(avgNumbers: Int): Unit = {
  require(partitionId < partitionNum, s"This parameter was created with $partitionNum " +
    s"partitions. It cannot be used on RDDs with > $partitionNum partitions.")
  // 从不同的node fetch 对应的gradients 
  val params = new Array[CompressedTensor[T]](partitionNum)
  val sgThreads = (0 until partitionNum).map { pid =>
    new Callable[Int] {
      override def call(): Int = {
        try {
          val blockId = getGradientBlockId(pid, partitionId)
          val tmp = BlockManagerWrapper.getLocalOrRemoteBytes(blockId).get
          params(pid) = SerializerInstance.create(tmp)
          BlockManagerWrapper.unlock(blockId)
          pid
        } catch {
          case t: Throwable =>
            logger.error("Error: " + ExceptionUtils.getStackTrace(t))
            throw t
        }
      }
    }
  }
  syncPool.invokeAll(sgThreads.asJava)

    // 不同部分的梯度进行求和
  val length = taskSize + (if (partitionId < extraSize) 1 else 0)
  val poolSize = Engine.default.getPoolSize
  val innerTaskSize = length / poolSize
  val innerExtraSize = length % poolSize
  val availableTask = if (innerTaskSize == 0) innerExtraSize else poolSize
  computePool.invokeAll((0 until availableTask).map(tid =>
    new Callable[Int] {
      override def call(): Int = {
        val innerStart = tid * innerTaskSize + math.min(innerExtraSize, tid)
        val innerLength = innerTaskSize + (if (tid < innerExtraSize) 1 else 0)
        params.reduce { (l, r) =>
          l.add(r.bytes(innerStart, innerLength), innerStart, innerLength)
        }
        tid
      }
    }
  ).asJava)
  params.head.deCompress(gradientPartition)
  gradientPartition.div(ev.fromType(avgNumbers))
}

当所有的Gradient都完成聚合之后，先使用parameterProcesser对gradient进行处理，目前BigDL中实现了ConstanClippingProcessor和L2NormClippingProcessor，其中使用ConstantClippingProcessor不会更新driverState("isGradientUpdated")的值。
上述处理完成之后将进行参数的更新，同时还需要更新optimMethods的信息，代码如下：

 models.mapPartitions { modelIter =>
    val modelCache = modelIter.next()
    // 如果gradient aggregate没有完成，那么需要等待其完成在进行参数更新
    if (!isGradientUpdated) {
        val getG = System.nanoTime()
// 这里完成不同Executor间的gradient聚合    parameters.values.foreach(_.aggregateGradientPartition(numFinishedModelUpdates))
        driverMetrics.add("aggregrateGradientParition average executor",
        System.nanoTime() - getG)
     }
    parameters.foreach { p =>
    parameterProcessers.foreach(_.processParameters(p._2, modelCache, driverState))
     }
    // 开始对参数进行更新
    modelCache.optimMethods.foreach{case (name,optimMethod =>
      // 更新状态信息optimMethod.state
      // 计算新的weight
      ...
      val p = parameters(name)
      optimMethod.optimize(_ => (ev.fromType(value),p.gradientPartition),p.weightPartition)
      // 将更新后的weight保存到对应的BlockManager
      p.sendWeightPartition()
     }
     Iterator.empty
}.count()  // 参数更新 Spark Job

更新超参数

参数更新完成之后，还需要进行超参数的更新和输出这个Iteration的一些训练信息。

// 更新超参数
optimMethods.foreach{ v =>
    v._2.updateHyperParameter()
}
// 打印训练的中间信息 epoch iteration neval learningRate Loss Throughput records等

除此之外，BigDL还需要计算Threshold，计算完成之后还需要清除一些存储在不同node的时间信息。

if (dropPercentage > 0.0 && iteration > warmupIterationNum &&
    iteration % computeThresholdbatchSize == 0) {
    val moduleTimeList = models.mapPartitions { iter =>
       iter.next().moduleTimeList.iterator}.collect()
    val k = (dropPercentage * computeThresholdbatchSize * driverSubModelNum).toInt
    if (k > dropModelNumBatch) {
        threshold = Util.kthLargest(moduleTimeList, 0, moduleTimeList.length-1,
        k - dropModelNumBatch)
    } else {
        threshold = (threshold * 1.01).toLong
    }
    logger.info("threshold: " + threshold)
     // clear moduleTimeList in each node
     models.mapPartitions { iter =>
        val timeList = iter.next.moduleTimeList
        var i = 0
         while (i < timeList.length) {
           timeList(i) = 0
           i += 1
         }
         Iterator.empty
        }.count()
      dropModelNumBatch = 0
    }

训练集shuffle

当已经训练过的Records数等于训练集的总数时，BigDL认为这完成了一个Epoch的训练，然后需要对整个训练集进行shuffle操作，重新分配每个Partition的Records。

// 完成一个epoch进行数据shuffle 
if (recordsProcessedThisEpoch >= numSamples) {
    ...
    dataset.shuffle()
    ataRDD = dataset.data(train = true)
    recordsProcessedThisEpoch = 0
}

注意：因为在每个IterationBigDL是从Partition中随机获取一个batch进行训练，故当recordsProcessedThisEpoch >= numSamples时，实际上这个epoch可能没有覆盖所有的samples。

Validation

当触发条件满足时，BigDL会根据创建Optimizer实例时设置的ValidattionDataset，ValidationMethod进行validate，然后进行validationSummary。

// 调用optimizer.optimize()之前设置
optimizer.setValidation(
  trigger = Trigger.everyEpoch,
  sampleRDD = testSamples,
  vMethods = Array(new Top1Accuracy, new Top5Accuracy, new Loss),
  batchSize = param.batchSize
)
//判断是否要进行validation
val trigger = validationTrigger.get
if (!trigger(state)) {
     return
}
// validate
val results = ZippedPartitionsWithLocalityRDD(models, validateRDD)((modelIter, dataIter) => {
      val cached = modelIter.next()
      val vMethodsArr = cached.localMethods
      val workingModels = cached.localModels
      workingModels.foreach(_.evaluate())
      dataIter.map(batch => {
      ...
      Engine.default.invokeAndWait(
          (0 until parallelism).map(b =>
      ...
// validation Summary
if(validationSummary.isDefined) {
      results.foreach { r =>
        val result = r._1.result
        validationSummary.get.addScalar(r._2.toString(), result._1,
          state[Int]("neval") - 1
        )
      }
    }

TrainSummary

BigDL可以使用tensorboard可视化训练过程，默认会收集Loss，LearningRate和Threshold信息，其他的用户可以通过TrainSummary进行设置，官方目前仅仅支持LearningRate, Loss, Throughput, Parameters(包括weight,gradWeight,bias,gradBias和一些running status(eg runningMean and runningVar in BatchNormalization)。用户也可以继承抽象类Summary实现自己的TrainSummary和ValidationSummary。

// 调用optimizer.optimize()之前设置
val trainSummary = TrainSummary(param.summaryPath.get,param.appname)
val validationSummary = ValidationSummary(param.summaryPath.get,param.appname)
trainSummary.setSummaryTrigger("LearningRate",Trigger.everyEpoch)
trainSummary.setSummaryTrigger("Parameters",Trigger.everyEpoch)
optimizer.setTrainSummary(trainSummary)
optimizer.setValidationSummary(validationSummary)
...
 val parametersTrigger = trainSummary.getSummaryTrigger("Parameters")
if (parametersTrigger.isDefined && parametersTrigger.get(driverState)) {
    // Parallelize to create Histogram
   ....
   val scalarTrigger = trainSummary.getScalarTriggers()
   // Not parallelizable, because driverState is changing each iteration.

   scalarTrigger.foreach { v =>
      if (v._2(driverState)) {
          trainSummary.addScalar(
          v._1, driverState[Float](v._1), currentIteration)

checkpoint

根据用户设置的触发条件，BigDL可以在训练过程中保存checkpoint，训练中断后也可以通过checkpoint来恢复训练。

// 调用optimizer.optimize()之前设置
// save checkpoint
if(param.checkpoint.isDefined){
 optimizer.setCheckpoint(param.checkpoint.get,Trigger.severalIteration(param.checkpointIteration))
}
if(param.overWriteCheckpoint){
  optimizer.overWriteCheckpoint()
}
...
cacheTrigger.foreach { trigger =>
      cachePath.foreach { path =>
      if (trigger(state)) {
          saveModel(getModel(models, parameters, trainingModel), cachePath, isOverWrite, s".${state[Int]("neval")}")
          optimMethods.foreach{case (name, optimMethod) =>
          saveOptimMethod(optimMethod, cachePath, isOverWrite, s"-$name.${state[Int]("neval")}") }

Fetch parameters and return trainedModel

当训练结束之后，BigDL会Fetch Model当前的Parameters到Driver，并将其copy到trianingModel，然后将训练好的Model返回，这个过程是通过调用DistriOptimizer.getModel(models,parameters,model)来实现的。

// Fetch current model parameters to driver, and copy to trainingModel.
val partitionNum = models.partitions.length
val extraState = models.map(_.localModels.head.getExtraParameter()).first()
trainingModel.setExtraParameter(extraState)
    
// make sure gradient is as the same length as weight
val parameterArray = trainingModel.parameters()
(0 until parameterArray._2.length).foreach(i =>
    parameterArray._2(i).resizeAs(parameterArray._1(i))
)
    
val (parameter, gradientParameter) = trainingModel.getParameters()
    
parameters.foreach { case (moduleName, p) =>
    val currentModule = trainingModel(moduleName)
    require(currentModule.isDefined, s"Couldn't find $moduleName in $trainingModel")
    val (weights, gradients) = models.mapPartitions(iter => {
         val cached = iter.next()
         val curPartitionId = TaskContext.getPartitionId()
         Iterator.single((Map(curPartitionId -> p.weightPartition),
              Map(curPartitionId -> p.gradientPartition)))
     }).reduce((a, b) => (a._1 ++ b._1, a._2 ++ b._2))
    
     val taskSize = p.size / partitionNum
     require(taskSize != 0, "parameter length should not less than partition number")
     val extraSize = p.size % partitionNum
    
     (0 until partitionNum).map(pid => {
        val start = p.paramOffset + pid * taskSize + math.min(pid, extraSize)
        val length = taskSize + (if (pid < extraSize) 1 else 0)
        parameter.narrow(1, start, length).copy(weights(pid))
        gradientParameter.narrow(1, start,length).copy(gradients(pid))
          })
        }
trainingModel

到此BigDL的分布式训练过程就结束了，用户只需要调用下面的方法即可。

val trainedModel = optimizer.optimize()

Reference:

[1] BigDL: A Distributed Deep Learning Framework for Big Data

最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 159,219评论 4赞 362
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 67,363评论 1赞 293
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 108,933评论 0赞 243
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 44,020评论 0赞 206
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 52,400评论 3赞 287
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 40,640评论 1赞 219
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 31,896评论 2赞 313
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 30,597评论 0赞 199
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 34,327评论 1赞 244
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,581评论 2赞 246
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 32,072评论 1赞 261
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 28,399评论 2赞 253
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 33,054评论 3赞 236
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,083评论 0赞 8
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,849评论 0赞 195
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 35,672评论 2赞 274
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 35,585评论 2赞 270