【ASPLOS '19】Hop: Heterogeneity-aware Decentralized Training
[ASPLOS '19] Hop: Heterogeneity-aware Decentralized Training算法 最近的工做代表，在機器學習的環境中，分散式算法能夠提供優於集中式算法的性能。這兩種方法的主要區別在於它們獨特的通訊模式，這兩種方法都易於在異構環境中下降性能。儘管已經作出了巨大努力來支持針對異構性的集中式算法，可是關於該問題的分散式算法卻鮮有研究。本文提出了Hop，這是第一
相關文章
- 1. Decentralized Identifiers (DIDs)
- 2. （IS 19）wav2vec: Unsupervised Pre-training for Speech Recognition
- 3. DV-Hop算法
- 4. BGP-20190320-next-hop-self
- 5. ACL 19 論文閱讀---Cognitive Graph for Multi-Hop Reading Comprehension at Scale （待完善）
- 6. DV-Hop算法原理
- 7. BGP屬性分析--Next-hop
- 8. DV-HOP定位算法
- 9. Communication-Efficient Learning of Deep Networks from Decentralized Data
- 10. co-training和tri-training
- 更多相關文章...
- • Docker 容器連接 - Docker教程
- • Docker 容器使用 - Docker教程
- • 爲了進字節跳動，我精選了29道Java經典算法題，帶詳細講解
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. Decentralized Identifiers (DIDs)
- 2. （IS 19）wav2vec: Unsupervised Pre-training for Speech Recognition
- 3. DV-Hop算法
- 4. BGP-20190320-next-hop-self
- 5. ACL 19 論文閱讀---Cognitive Graph for Multi-Hop Reading Comprehension at Scale （待完善）
- 6. DV-Hop算法原理
- 7. BGP屬性分析--Next-hop
- 8. DV-HOP定位算法
- 9. Communication-Efficient Learning of Deep Networks from Decentralized Data
- 10. co-training和tri-training