我对参数服务器和执行的梯度聚合有一些疑问。我的主要资料是《深入学习深度学习》一书[1]。我假设是BSP模型，即我们在每个微型批处理之后进行同步。我不确定这是属于数据科学领域还是AI StackExchange社区，所以我在这里默认设置了...
[1]上的图12.7.1建议采用以下方法： 假设批次大小为32。如果我们有一个GPU和128个训练数据点，则每个时期有4个迷你批次。每次迷你批处理后，我们都会更新模型（即有4次更新）。因此，我们必须计算四个梯度（每个小批量一个）。
对于多GPU情况，假设有两个GPU和128个训练数据点。我们为每个GPU注入一个小批量，让它们计算梯度，求和并用总和更新模型。因此，从BSP的角度来看，涉及两个步骤而不是四个步骤。
我的问题如下：
我对参数服务器工作方式的描述正确吗？特别是，我不确定是否每个GPU是否保持相同的批处理大小32，还是必须将批处理大小除以GPU的数量。
为什么我们对梯度求和而不是对它们求平均值？这让我更加困惑，因为在PyTorch [2]的DistributedDataParallel文档中，有以下语句：
当模型在M个具有批次= N的节点上训练时，与在单个节点上具有批次= M * N训练的相同模型相比，梯度将小M倍（因为不同节点之间的梯度>平均）。与本地培训对象相比，要获得在数学上等效的培训过程时，应该考虑到这一点。
这里有两点令人困惑：
2.1。它指出梯度是平均的，这与D2L书中指出的对梯度求和的结果不符。
2.2。到目前为止，我一直认为，在小批量梯度下降过程中，损失函数（优化目标）会平均小批量数据点的误差。因此，如果M个节点以批处理大小N运行小批量梯度下降，并且取其梯度的平均值，则我们应该收到一个数量级相同的数字，就好像1个节点以批大小为N M，因为单个节点将n m个数据点的误差函数平均为损失函数，而对于M个节点，我们仅取平均值的平均值。
我不确定PyTorch的DistributedDataParallel类是否可以视为参数服务器（特别是因为它们甚至都提供了有关如何在PyTorch [3]中构建参数服务器的指南），但是它映射到了这本书作为参数服务器。
为解决我的困惑提供的任何帮助均深表感谢。非常感谢！
亲切的问候， 马克西米利安
[1] https://d2l.ai/chapter_computational-performance/parameterserver.html
[2] https://pytorch.org/docs/stable/generated/torch.nn.parallel.DistributedDataParallel.html
[3] https://pytorch.org/tutorials/intermediate/rpc_param_server_tutorial.html