DeePMD-kit的模型训练DeePMD-kit的安装教程，现在小编就来说说关于volume builder为什么会有缺口?下面内容希望能帮助到你，我们来一起看看吧!

volume builder为什么会有缺口（DeePMD-kit的并行效率）

volume builder为什么会有缺口

DeePMD-kit的模型训练

DeePMD-kit的安装教程

DeePMD-kit的数据转换（一）

DeePMD-kit的数据转换（二）

深度学习势套件 DeePMD-kit和DP-GEN介绍

根据手册，DeePMD的并行训练是在Horovod的帮助下以同步方式实现的，那么Horovod又是什么呢？Horovod 是一套面向 TensorFlow 的分布式训练框架，由 Uber 构建并开源，目前已经运行于 Uber 的 Michelangelo 机器学习即服务平台上。

Horovod 能够简化并加速分布式深度学习项目的启动与运行。通过利用 MPI实现应用环状规约，显著提升 TensorFlow 模型的实用性与性能表现。查阅资料发现，Horovod 的分布式貌似只支持同步更新式的数据并行，至于模型并行和异步更新式的数据并行，根据 ring-allreduce 算法可知，应该是不支持的。根据训练进程的数量和可用的GPU卡数量，DeePMD-kit将决定是以并行(分布式)模式还是串行模式启动训练。

标定学习率

Horovod在数据并行模式下工作，从而产生更大的全局batch size。例如，当输入文件中的batch size设置为2时，启动了4个工作进程，实际批处理大小为8。因此，学习率会根据工作进程的数量自动调整以实现更好的收敛。

在相同精度下，增加卡数可以减少所需的衰减步数的数量（在上述情况下为步数的1/2)，但需要在输入文件中手动调整。

在某些情况下，当利用以线性方式统计的进程数来标定学习率时，程序不会很好地工作。可以通过设置参数scale_by_worker来尝试sqrt或NONE，如下所示：

"learning_rate" :{"scale_by_worker": "none","type": "exp" }

效率测试

在8-GPU主机上测试示例/water/se_e2_a，随着GPU卡数量的增加，可以观察到线性加速的效果。

GPU卡数秒/100样本样本/秒加速
11.451568.891.00
21.596262.65*21.82
41.763556.71*43.29
81.726757.91*86.72
框架用法

训练进程可以用horovodrun启动，以下命令在同一主机上启动4个进程：

CUDA_VISIBLE_DEVICES=4,5,6,7 horovodrun -np 4 \dp train --mpi-log=workers input.json

注意：必须设置环境变量CUDA_VIREBLE_DEVICES以控制占用的主机上的并行数，在该主机上，一个进程绑定一个GPU卡。当使用MPI时，Horovod自动检测并调用mpirun，例如：

CUDA_VISIBLE_DEVICES=4,5,6,7 mpirun -l -launcher=fork \-hosts=localhost -np 4 dp train --mpi-log=workers input.json

在输出的log文件中，可以看到下面的输出信息！

[0] DEEPMD INFO ---Summary of the training---------[0] DEEPMD INFO distributed[0] DEEPMD INFO world size: 4[0] DEEPMD INFO my rank: 0[0] DEEPMD INFO node list: ['exp-13-57'][0] DEEPMD INFO running on: exp-13-57[0] DEEPMD INFO computing device: gpu:0[0] DEEPMD INFO CUDA_VISIBLE_DEVICES: 0,1,2,3[0] DEEPMD INFO Count of visible GPU: 4[0] DEEPMD INFO num_intra_threads: 0[0] DEEPMD INFO num_inter_threads: 0[0] DEEPMD INFO ------------------------------------

,