目录

1.  learning rates for large minibatches：

2. warmup

3 Subtleties and Pitfalls of Distributed SGD

4. Main Results and Analysis

---

https://blog.csdn.net/xxiaozr/article/details/80346381

https://www.jianshu.com/p/738ff3628543

总结：

1.  learning rates for large minibatches：

large minibatch 在分布式学习中可以利用数据并行性使用多个 work 工作，并且不会减少每个 work 的工作量也不会牺牲模型的精度。作者发现，下面的learning rate scaling rule能够适合于很大范围的batch size。

Linear Scaling Rule：当minibatch size乘以一个数，同样learning rate也乘以这个数。

所有其他超参数保持不变，这个 rule 在 broad range of minibatch size 里都很有效果，其他的 hyper-parameters（weight decay 等）都保持不变。 我们比较了 k minibatch ,每一个batch size 为 n ,学习率为 η  和 一个 minibatch ,size 为 kn， 学习率为 

2. warmup

Constant warmup：一种热身的策略是使用一个小的定值作为初始的学习率，训练几个回合。这种策略对于物体检测，分割，fine-tune等问题在有些时候效果较好，但是当较大也就是batch较大的时候，就不是那么有效了，尤其在热身结束的时候会出现error的峰值。gradual warmup：为了克服constant warmup的不足，作者使用了gradual warmup，就是一点一点地将学习率从小，增大。并且在增大后，回复到原始的learning rate schedule。

Gradual warmup:逐渐将学习率从小到大增大，可以避免学习率的突然增大，保证训练初期的健康收敛。在 kn 的minibatch size 下，一开始使用 η 学习率，然后在 5 epoch 后逐渐增大至 ，warmup 后，回到正常的 learning rate schedule.

3 Subtleties and Pitfalls of Distributed SGD

在分布式计算中，许多 common implementation errors 会改变超参数的定义，模型虽然可以训练但误差会比较大

weight decay:

l2 regularization on the weights

如果没有 weight decay , 就会有很多种方法来缩放学习率，例如缩放loss 的梯度项，但是我们发现缩放 loss 和缩放学习率并不等价

mometum correction:

参数更新方法：

m 是 momentum 的 decay factor , u 是 update tensor.

变种：将学习率加到 update tensor 项中

对于 fixed 的学习率，这两个是等价的，但是我们可以发现，u 和学习率是无关的，v 和学习率是有关的，如果学习率改变了，为了使第二个式子和第一个等价，v 应该变为

我们将  factor 当做 momentum correction，作者发现，当的时候，它对于稳定训练过程非常重要。

gradient aggregation

对于 k 个 worker，每一个 worker 的 minibatch size 为 n，梯度更新的时候除以 kn ，而 loss layer 通常会将每一个 worker 的平均梯度加起来

data shuffling

4. Communication

涉及多个GPU的并行运算，对于每一个参数的梯度，都是通过allreduce操作来进行汇聚的。在进行allreduce之前，每个GPU都会计算自己的梯度，在allreduce*之后，每个GPU得到梯度的和。

5. Main Results and Analysis

minibath size vs error 

warmup 

Training curves for various minibatch size

Alternative learning rate rules