From 88b2de0a971a536ac90d6cf23dca5d183d309e0a Mon Sep 17 00:00:00 2001 From: u <595770995@qq.com> Date: Wed, 18 Dec 2024 16:16:05 +0800 Subject: [PATCH] =?UTF-8?q?Update=206.1-=E5=88=86=E5=B8=83=E5=BC=8F?= =?UTF-8?q?=E6=B7=B1=E5=BA=A6=E5=AD=A6=E4=B9=A0=E8=AE=A1=E7=AE=97=E7=AE=80?= =?UTF-8?q?=E4=BB=8B.md=20=20=E4=BF=AE=E6=94=B9=E9=94=99=E5=88=AB=E5=AD=97?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- ...\271\240\350\256\241\347\256\227\347\256\200\344\273\213.md" | 2 +- 1 file changed, 1 insertion(+), 1 deletion(-) diff --git "a/Textbook/\347\254\2546\347\253\240-\345\210\206\345\270\203\345\274\217\350\256\255\347\273\203\347\256\227\346\263\225\344\270\216\347\263\273\347\273\237/6.1-\345\210\206\345\270\203\345\274\217\346\267\261\345\272\246\345\255\246\344\271\240\350\256\241\347\256\227\347\256\200\344\273\213.md" "b/Textbook/\347\254\2546\347\253\240-\345\210\206\345\270\203\345\274\217\350\256\255\347\273\203\347\256\227\346\263\225\344\270\216\347\263\273\347\273\237/6.1-\345\210\206\345\270\203\345\274\217\346\267\261\345\272\246\345\255\246\344\271\240\350\256\241\347\256\227\347\256\200\344\273\213.md" index 795f3f89..4cd79341 100644 --- "a/Textbook/\347\254\2546\347\253\240-\345\210\206\345\270\203\345\274\217\350\256\255\347\273\203\347\256\227\346\263\225\344\270\216\347\263\273\347\273\237/6.1-\345\210\206\345\270\203\345\274\217\346\267\261\345\272\246\345\255\246\344\271\240\350\256\241\347\256\227\347\256\200\344\273\213.md" +++ "b/Textbook/\347\254\2546\347\253\240-\345\210\206\345\270\203\345\274\217\350\256\255\347\273\203\347\256\227\346\263\225\344\270\216\347\263\273\347\273\237/6.1-\345\210\206\345\270\203\345\274\217\346\267\261\345\272\246\345\255\246\344\271\240\350\256\241\347\256\227\347\256\200\344\273\213.md" @@ -116,7 +116,7 @@ $$
图6-1-5: 分布式深度学习的研究目标
-计算速率又可进一步被分解为但设备计算速率、设备数量和并行效率之间的乘积。受限于工艺和功耗的限制，单设备的运算速率相对有限。因此，我们的工作重点在于增加可用的设备数以及提高设备的并行效率。 +计算速率又可进一步被分解为单设备计算速率、设备数量和并行效率之间的乘积。受限于工艺和功耗的限制，单设备的运算速率相对有限。因此，我们的工作重点在于增加可用的设备数以及提高设备的并行效率。 深度学习的模型建立在高维张量的运算操作之上。这类的运算包含着丰富的可并行潜力。如下图所示，在一个典型的深度学习计算中，张量计算涉及可以并发的多个操作运算，而在单个张量运算子中也可并发地处理多个样本输入。