论文：https://arxiv.org/pdf/1712.01887.pdf
译文：深度梯度压缩：减小分布式训练的通信带宽
摘要
大规模分布式训练需要通信带宽用于梯度交换，这在节点较多时，限制了训练的可扩展性，而且网络带宽比较贵。如果是在移动设备上进行分布式训练（如联合学习），情况会变得更加糟糕，高延迟，低吞吐还断断续续的网络连接。本文，我们发现分布式SGD中99.9%的梯度交换都是多余的，然后提出深度梯度压缩（DGC），极大地减少了通信带宽。为了保留压缩过程中的精度，DGC采用了四种方法：
1、动量纠正（momentum correction）
2、本地梯度裁剪（local gradient clipping）
3、动量因子掩蔽（momentum factor masking）
4、热身训练（warm-up training）
我们已经把DGC应用到图像分类、语音识别和语言模型，并且基于各种数据集，包括Cifar10、ImageNet、Penn Treebank和Librispeech Corpus。在这些场景，DGC的梯度压缩比例有270倍到600倍，而且不会损失准确率。ResNet50的梯度大小从97MB减少到0.35MB，以及DeepSpeech从488MB减少到0.74MB。DGC可以在1Gbps以太网和移动设备中进行分布式训练。
介绍
大规模分布式训练可以训练更深更大的模型。SGD被广泛应用于分布式训练。通过增加训练节点，以及利用数据并行，相同大小的训练数据，forward-backward的总体计算时间会大幅减少。但是，梯度交换比较耗时，特别是RNN的计算/通信比较小。因此，当分布式训练规模变大时，网络带宽会变成主要瓶颈。在移动设备上，带宽问题会变得更加严重。
深度梯度压缩
1、梯度稀疏化：
我们只发送重要梯度（稀疏更新），来减少通信所需的带宽。只有那些大于某个阈值的梯度会被发送（注：梯度跟权值不是一一对应的吗？那些没传的梯度，权值怎么更新？）。为了防止丢失信息，我们本地累加剩余的梯度，最终这些梯度大到可以发送。因此，我们是立马发送大梯度，最终发送所有的梯度，如算法1所示。
系统的性能以及分析
实现DGC需要筛选top k梯度。给定稀疏率99.9%，我们就需要从几百万权值中，挑选出top 0.1%。时间复杂度是O(n)，其中n是梯度个数。我们采用抽样来减少top k的选择时间。先抽样0.1% ~ 1%，再在样本上筛选top k梯度。
结论
DGC能够把梯度压缩270倍到600倍，并且适用于很多CNN和RNN。为了不让DGC导致收敛慢，采用了动量纠正、本地梯度裁剪、动量因子掩蔽和热身训练。我们进一步提出分级阈值选择，来加速梯度稀疏化过程。DGC减少了分布式训练的通信带宽需求，提高了可扩展性。
注：有在移动设备上做分布式训练的场景？