TensorFlow的镜像策略，批量大小和反向传播

如何解决TensorFlow的镜像策略，批量大小和反向传播

我正在处理多GPU服务器上的神经网络训练。我正在使用TensorFlow 2.1中的MirroredStrategy API，但感到有点困惑。

我有8个GPU（Nvidia V100 32GB）

• 我指定的批处理大小为32（如何管理？每个gpu将有一批32个样本？我应该将256指定为批处理大小-32x8-吗？）
• 何时以及如何应用反向传播？我已经了解到MirroredStrategy是同步的：这是否意味着在向前执行步骤之后，所有批次都被分组为一个大小为32x8的批次，并且在应用了反向传播之后？还是按顺序将Back-prop应用于每批大小为32的批次？

我真的想确定我要提交给服务器的哪种实验，因为每项训练工作实际上都很耗时，并且根据可用GPU的数量更改批处理大小（以及反向支持）会影响结果的正确性

感谢您提供的任何帮助。

解决方法

使用MirroredStrategy时，批次大小是指全局批次大小。 You can see in the docs here

例如，如果将MirroredStrategy与2个GPU一起使用，则每批大小为10的批处理将分配给2个GPU，每个步骤在每个步骤中接收5个输入示例。

因此，如果您希望每个GPU每步处理32个样本，则可以将批处理大小设置为32 * strategy.num_replicas_in_sync。

每个GPU都会在输入数据的不同切片上计算通过模型的正向和反向传递。然后，将这些切片中每个切片计算出的梯度汇总到所有设备上，并以称为AllReduce的过程进行缩减（通常是平均）。然后，优化程序以这些减小的梯度执行参数更新，从而使设备保持同步。