.. _api_guide_cpu_training_best_practice: #################### 分布式CPU训练优秀实践 #################### 提高CPU分布式训练的训练速度，主要要从两个方面来考虑： 1）提高训练速度，主要是提高CPU的使用率；2）提高通信速度，主要是减少通信传输的数据量。 提高CPU的使用率 ============= 提高CPU使用率主要依赖 :code:`ParallelExecutor`，可以充分利用多个CPU的计算能力来加速计算。 API详细使用方法参考 :ref:`cn_api_fluid_ParallelExecutor` ，简单实例用法： .. code-block:: python # 配置执行策略，主要是设置线程数 exec_strategy = fluid.ExecutionStrategy() exec_strategy.num_threads = 8 # 配置构图策略，对于CPU训练而言，应该使用Reduce模式进行训练 build_strategy = fluid.BuildStrategy() if int(os.getenv("CPU_NUM")) > 1: build_strategy.reduce_strategy = fluid.BuildStrategy.ReduceStrategy.Reduce pe = fluid.ParallelExecutor( use_cuda=False, loss_name=avg_cost.name, main_program=main_program, build_strategy=build_strategy, exec_strategy=exec_strategy) 以上参数中： - :code:`num_threads` ： 模型训练使用的线程数，最好和训练所在机器的物理CPU核数接近 - :code:`reduce_strategy` ： 对于CPU训练而言，应该选择 fluid.BuildStrategy.ReduceStrategy.Reduce 通用环境变量配置： - :code:`CPU_NUM` ：模型副本replica的个数，最好和num_threads一致 提高通信速度 ========== 要减少通信数据量，提高通信速度，主要是使用稀疏更新 ，目前支持 :ref:`api_guide_sparse_update` 的主要是 :ref:`cn_api_fluid_layers_embedding` 。 .. code-block:: python data = fluid.layers.data(name='ids', shape=[1], dtype='int64') fc = fluid.layers.embedding(input=data, size=[dict_size, 16], is_sparse=True) 以上参数中： - :code:`is_sparse` ： 配置embedding使用稀疏更新，如果embedding的dict_size很大，而每次数据data很少，建议使用sparse更新方式。