近日，中國科學家在人工智能領域取得了重大突破，他們聯(lián)合研發(fā)了一種名為GroPipe的全新混合并行算法，成功地將流水線模型并行與數(shù)據(jù)并行融合，實現(xiàn)了AI訓練速度的大幅提升，近乎翻倍。

據(jù)悉，這一創(chuàng)新成果由西北農(nóng)林科技大學信息工程學院智能計算與農(nóng)業(yè)信息系統(tǒng)團隊領銜，團隊負責人劉斌教授擔任核心作者，并與美國紐約州立大學及云南大學展開合作。相關研究成果已在國際計算機體系結構領域的權威期刊《IEEE Transactions on Computers》上發(fā)表。

在大型深度卷積神經(jīng)網(wǎng)絡（DCNNs）的訓練過程中，為了提高模型精度，使用越來越大的數(shù)據(jù)集已成為常態(tài)，但這也導致了訓練時間的顯著增加。傳統(tǒng)的數(shù)據(jù)并行（DP）和流水線模型并行（PMP）等分布式訓練方法雖然提供了解決方案，但仍面臨負載不平衡和通信開銷大等挑戰(zhàn)。

針對這些問題，研究團隊提出了GroPipe算法架構，該架構通過協(xié)同整合PMP和DP，采用基于性能預測技術的自動模型分割算法，實現(xiàn)了負載的平衡和性能的量化評估。這一創(chuàng)新方法不僅解決了傳統(tǒng)訓練方法的痛點，還構建了一種全新的“組內流水線 + 組間數(shù)據(jù)并行”的分層訓練架構。

在GroPipe方法中，自動模型劃分算法（AMPA）發(fā)揮了關鍵作用，它實現(xiàn)了計算負載的動態(tài)均衡調度，大幅提升了GPU資源的利用率。在一臺8-GPU服務器上進行的廣泛測試中，GroPipe方法展現(xiàn)出了卓越的性能優(yōu)勢。

具體來說，在ImageNet數(shù)據(jù)集上，GroPipe方法相較于主流方案（如DP、Torchgpipe、DAPPLE和DeepSpeed）在ResNet系列模型上平均加速比達到了42.2%，在VGG系列模型上更是高達79.2%。在BERT-base模型訓練中，GroPipe方法的性能提升最高可達51%。

這一研究成果不僅為中國科學家在國際人工智能領域贏得了榮譽，更為人工智能的發(fā)展注入了新的活力。GroPipe算法的創(chuàng)新性和實用性，將有望推動人工智能技術在更多領域的應用和發(fā)展。