评估CPU多线程环境对深度学习模型训练差异影响的测试方法

技术特征：
1.一种评估cpu多线程环境对深度学习模型训练差异影响的测试方法，其特征在于，包括以下步骤：(1)在计算平台上使用虚拟机软件建立不同cpu线程数的虚拟机作为测试环境；(2)对步骤(1)中创建的虚拟机配置深度学习模型运行环境；(3)在步骤(2)已经配置好环境的虚拟机中运行相同条件下的深度学习模型多次训练；(4)以步骤(3)中得到的训练数据分析不同cpu线程数环境下深度学习模型的训练差异。2.根据权利要求1所述的评估cpu多线程环境对深度学习模型训练差异影响的测试方法，其特征在于，所述步骤(1)的实现过程包括以下步骤：(11)使用虚拟机软件创建具有相同内存和硬盘储存大小，但不同cpu线程数的虚拟机；(12)在创建的虚拟机中安装操作系统。3.根据权利要求1所述的评估cpu多线程环境对深度学习模型训练差异影响的测试方法，其特征在于，步骤(2)包括以下步骤：(21)在虚拟机操作系统中安装深度学习模型训练运行所需的依赖软件；(22)对深度学习模型训练运行依赖软件的随机数生成器的种子进行固定设置。4.根据权利要求1所述的评估cpu多线程环境对深度学习模型训练差异影响的测试方法，其特征在于，步骤(3)所述深度学习模型多次训练包括：带有模型选择的默认相同训练：该相同训练不对深度学习模型训练运行依赖软件的随机数生成器的种子进行固定设置，并且使用默认的模型选择方法，然后在不同cpu线程数的虚拟机中使用相同的训练和测试数据运行多次模型训练；带有模型选择的固定种子相同训练：该相同训练对深度学习模型训练运行依赖软件的随机数生成器的种子进行固定设置，并且使用默认的模型选择方法，然后在不同cpu线程数的虚拟机中使用相同的训练和测试数据运行多次模型训练；没有模型选择的固定种子相同训练：该相同训练对深度学习模型训练运行依赖软件的随机数生成器的种子进行固定设置，但不使用任何模型选择方法，然后在不同cpu线程数的虚拟机中使用相同的训练和测试数据运行多次模型训练。5.根据权利要求1所述的评估cpu多线程环境对深度学习模型训练差异影响的测试方法，其特征在于，所述步骤(4)的实现过程如下：在相同cpu线程数环境下进行多次相同训练会产生多个模型，通过统计方法比较不同cpu线程数环境中得到的训练结果来评估cpu多线程环境对深度学习模型训练差异影响。

技术总结
本发明公开了一种评估CPU多线程环境对深度学习模型训练差异影响的测试方法，包括以下步骤：(1)CPU多线程虚拟机测试环境建立；(2)深度学习模型运行环境配置；(3)相同条件下的深度学习模型多次训练运行；(4)深度学习模型训练差异分析。本发明通过虚拟机建立不同CPU线程数的测试环境，评估CPU多线程环境对深度学习模型训练差异的影响。习模型训练差异的影响。习模型训练差异的影响。


技术研发人员：肖冠平 刘骏 雷华山
受保护的技术使用者：南京航空航天大学
技术研发日：2022.01.07
技术公布日：2022/5/20