一年来谷歌专题前沿论文最新进展 2018.11.05 方建勇1

谷歌专题前沿论文最新进展（2018.11.05 方建勇） 以下是对谷歌专题前沿论文最新进展的知识点总结： 知识点1：c2tcp - 一种灵活的蜂窝TCP c2tcp是朝着新的网络协议系统设计方向努力的结果。它受到红和codel等网络内主动队列管理（AQM）设计的启发，并且缺乏灵活的端到端方法，无需修改任何网络设备即可适应不同应用程序的QoS要求。c2tcp应对蜂窝网络中实现超低延迟的独特挑战，并打算满足严格的延迟不同应用要求，同时最大限度地提高吞吐量。 知识点2：神经机器翻译中的并行注意机制 神经机器翻译论文提出了严格使用注意机制比以前的标准，如复发和卷积神经网络（RNN和CNN）。我们建议，通过并行运算编码器-解码器以注意为中心的体系结构中传统上的堆叠编码分支，可以从模型中删除更多的顺序操作，从而减少训练时间。 知识点3：使用TensorFlow和CUBA-WuWity MPI的可扩展分布式DNN培训 TensorFlow一直是最广泛采用的机器深层学习框架。然而，文献中几乎不存在，这些文献提供了对TensorFlow为需要大规模计算和通信的大型ML模型的分布式培训所提供的能力的透彻了解。tf最常用的分布式培训方法可分为以下几类：1）Google远程过程调用（gRPC），2）gRPC+x：x=(英菲班德动词、消息传递接口和gRPC RDMA），3）无gRPC：百度全减与MPI，霍罗沃德与MPI，和霍洛沃德与NVIDIA NCCL。 在本文中，我们对包括Piz D构系统（Top500上的6）在内的各种GPU集群的分布式培训方法进行了深入的性能描述和分析。我们进行实验，以获得新的见解，沿以下载体：1）应用程序级可扩展性的DNN培训，2）批处理理大小对缩放效率的影响，3）用于无gRPC方法的MPI库的影响，4）DNN的类型和大小架构。在这些实验的基础上，我们提出了两个关键的见解：1）总体而言，与大多数配置的基于gRPC的方法相比，无gRPC设计实现了更好的性能；2）no-gRPC的性能受到梯度聚合的严重影响，使 用好吧，别动我们提出了一个真正的CUDA感知MPI all倍级设计，利 用CUDA内核和指针缓存来有效地执行大的减少。 这些知识点的总结为：c2tcp是一种灵活的蜂窝TCP，神经机器翻译论文提出了并行注意机制，TensorFlow和CUBA-WuWity MPI的可扩展分布式DNN培训是机器深层学习框架中的一个重要方向。