一、训练加速
针对训练数据过于庞大的对策，多GPU训练，加速生产模型的速度，可以认为是离线操作。
常用的GPU训练：
- 基于数据的并行（常用）
- 基于模型的并行
我们主要看一下基于数据的并行，下面列出了三种并行方式
①Model Average（模型平均）
②SSGD（同步随机梯度下降）
③**ASGD*（异步随机梯度下降）**
1.基于数据的并行
①Model Average（模型平均）
假设有10000条数据，分成10份，每份1000条，用十个GPU分别训练，最后将得到的模型进行平均。这样训练出来的模型之间是相互独立的，故性能不会很好。
而我们希望任务在训练过程中是保持通信的，可以怎么样做呢？
如下图所示，我们将10000条数据分配到10 个Client，每个Client处理分别1000条数据。这十个Client都有一个共享的初始模型W0。我们设置batch=100，每个Client运行一个batch后，都会更新一个模型W1。此时这10个Client的初始化模型W0是一样的，W1是不一样的，因为其输入的数据不一样。这样我们把10个Client的模型W1都发送给Server，Server对接受到的10个W1进行平均（这个过程就是模型平均），这样就得到了一个新的W1，然后再将这个新的W1分别发送给10个Client，每个Client都会接收到一个新的W1，并覆盖掉原来的W1，这样，这10个Client的W1就是一样的了。进行第二个batch得到W2。。。。
需要注意的是，在运行一个batch的过程中，可能有的Client的GPU更好，其模型W先于其他几个Client计算出来，虽然他计算的快，但他仍然要等其他几个Client的W都计算出来之后，再同步的发送给Server，整个网络训练速度取决于最慢的Client的计算速度。
②SSGD（同步随机梯度下降）
如下图所示，我们将10000条数据分配到10 个Client，每个Client处理分别1000条数据。这十个Client都有一个共享的初始模型W0。
同理设置batch=100，运行第一个batch，每个Client进行一次前向后向传播，得出W的梯度，此时这10个Client的是各不相同的，不进行共享的。然后将求得的这十个
同步发送给Server，Server接收到 后，先对这10个
做一个平均，这样就得到了一个新的
，新的
再对W0做一个梯度下降得到W1，然后将这个W1发送给10个Client。
同理，运行第二个batch，将10个Client得出的梯度发送到Server做平均，再将得到的新梯度对W1做梯度下降得到W2，在发送给10个Client。。。。。
该方法也是同步的将梯度发送到Server，整个网络训练速度取决于最慢的Client的计算速度。
③ASGD*（异步随机梯度下降）
该方法是比较常用的，损失比较小，效率也是最高的。
如下图所示，我们将10000条数据分配到10 个Client，每个Client处理分别1000条数据。这十个Client都有一个共享的初始模型W0。
该方法与SSGD（同步随机梯度下降）相同，都是现在Client端计算完梯度，再发送到Server端计算W1，区别在于本节方法是一个异步的过程，无需等待每个Client的都计算完成，
那他们是怎么进行异步操作的呢？
我们假设Client 1 先计算完第一个batch，并得到，此时Client 1 无需等待其他几个Client完成，只需直接将发送到Server并对Server中的W0做梯度下降，然后得到了W1，Server再将W1模型发送到Client 1 ，然后开始计算第二个batch，当第二个batch进行到一半的时候，Client 2 完成的的计算，Client 2也将求得的传入Server，注意，此时Client 2 传进来的要对最新的W做梯度下降，即对W1做梯度下降，而不是W0，然后将计算出来的W1发送给Client 2。同理，其他Client将梯度发送到Server后，也要对最新的W做梯度更新，注意是最新的，即使Client 1更新了W8，Client 2在Client 1 的基础上更新了W6，后面再进行梯度下降的时候，也要对最新的W6进行计算。
PS：哪个Client最先完成计算，就直接发送给Server，不是按照Client1,2,3,...的顺序。上面那么说只是为了方便描述。
2.基于模型的并行
如下为三个隐藏层，每个GPU负责网络的一部分。
以前向传播为例：
batch 1 ，GPU1 开始运算，GPU2 是空闲的，需要等待GPU1 的结果；GPU1运算完后，开始运行batch2，此时GPU2 拿到GPU1的结果后开始计算，GPU2 计算完后传给GPU3，然后GPU2开始运行batch 2。。。。。
二、推理加速
推理主要是一个前向的过程，将生产的模型运用到线上，主要关心让模型尽可能小。
常见的推理方法如下所示。
1.SVD分解*
将m×n的矩阵分解为三个矩阵相乘
原参数量为m×n，分解后参数量为mk+kn+1
这个结果是怎么来的呢？
我们将上述分解后的矩阵相乘后的多项式如下所示
λ1>λ2>...>λn
我们只去第一项，就可以很大程度的表示A矩阵
所以分解后的参数量为V的参数量mk加U的参数量kn加λ的一个参数共 mk+kn+1。
举个例子：
原矩阵A的参数量为200×100
矩阵分解后200×10+10乘100
为什么要将大模型SVD分解为小模型，而不是直接训练小模型呢？
假设小模型训练的精度为85%，大模型的训练精度可以达到95% ，进行SVD分解后，精度损失，变为了90%，我们再进行微调，精度又有一定的上升，相对于直接训练一个小网络，精度相对要高。
2.Hidden Node prune
将权重较小的节点裁剪掉。
假设一个隐藏层有1000个节点，想剪掉200个节点，那就根据权重进行排序，将权重低的裁剪掉。
同理，为什么不直接训练一个隐藏层800个节点的网络呢？因为隐藏层1000个节点的网络训练效果会更好，裁剪之后性能会有一定的下降，需要再进行微调，精度会有一定提升，精度会高于隐藏层800个节点的网络。
3.知识蒸馏*
知识蒸馏就是先在大网络上进行学习，将学习到的知识迁移到小模型上，训练效果要好于直接训练一个小模型。
我们将带有硬标签（0,0,0,1,0,0）的数据输入到大模型中， 它的输出结果是一个软标签（0.1,0.1,0.9,0.2,0.3）。
假设大模型的结果足够好，我们可以将大模型的输出作为一个标签，该标签为软标签，不仅可以学习到正负样本的特征，也可以学习到正负样本之间的关系，富含更多信息，更有助于小模型的学习。
例如：一张图片中有三个物体，熊猫、狗、飞机，我们期望检测到熊猫，该图片的标签为（1,0,0），经过大模型的训练后，输出的标签为（0.99,0.01，0.0005），我们可以看到，狗相对于飞机，与熊猫更接近，故权值也会更大。
对大模型的softmax前一层计算梯度，该梯度会用到小模型的梯度中。
4.参数共享
CNN中的参数共享：一个卷积层中可以有多个不同的卷积核，而每一个卷积核都对应着一个滤波后映射出的新图像(Feature map),同一个新图像的所有像素全部来自于同一个卷积核，这就是卷积核的参数共享。
LSTM中的参数共享：输入x到遗忘门、输入门、输出门和细胞单元，不进行参数共享则需要4×m×n个参数，进行参数共享则只需要m×n个参数。其中m和n分别为输入x和f，i，o，c门的维度。
5.神经网络的量化*
量化就是将浮点运算转换成整数运算。
浮点计算非常耗时，而转换成整数后，计算量就会明显降低。
如w1，w2为32位的浮点数，w'1，w'2为转换后的8位的整数。
两个8位的整数相乘w'1×w'2要比两个32位的浮点相乘w1×w2速度更快。
6.Binary Net
使用二值网络进行量化
原浮点需要32bit存储，现只用1bit存储。
参数只有-1,1两个参数。
采用位运算进行加速。
训练时候前向后向传播算法的微调。
7.基于fft的循环矩阵加速
网络中一般需要多次矩阵相乘，但是矩阵相乘是非常耗时的
那怎么办呢？
我们将矩阵C变为循环矩阵W
这样原来矩阵C与x相乘就变为了W与x相乘，该结果就像两个向量的卷积计算，求完积和后，向后移一位，再进行计算，即c与x的卷积运算。
我们将卷积c*x进行傅里叶变换，它等价于傅里叶变换（f f t）的乘积。我们再对两个傅里叶乘积进行傅里叶逆运算，就得到了c*x的结果，这样就进行了三次傅里叶变换，其计算速度要高于矩阵c与x的计算速度。该操作如下所示。
傅里叶变换的操作是非常快的。
三、深度学习自适应
1.初始参数的网络迁移
用已有数据集如ImageNet先训练一个模型，在新数据上以此模型作为初始模型做fine tuning。
2.场景自适应（KLD）
3.数据的混合
①新增数据量比较大
原始数据量比较大，有几百万条，新增的数据约20万左右，则可以直接将新增的数据均匀的插入到原始数据中。
效果会好一些，缺点是训练慢。
②新增数据量比较小
如果原始数据比较大，有几百万，新增的数据量比较小，几千条，直接混合可能对模型精度影响比较小，所以可以对原始数据中的后一部分（约十万左右）进行混合，则在训练后期，新数据的影响会比较大。
四、对抗神经网络
版权归原作者 Billie使劲学 所有， 如有侵权，请联系我们删除。