Осгд в строительстве расшифровка: Предоставление сведений из информационной системы обеспечения градостроительной деятельности (ИСОГД) В избранное

Линкольн / Ланкастер Среда обитания человечества: Примите участие: Волонтер: Часто задаваемые вопросы

Часто задаваемые вопросы

Какие есть возможности волонтерства?
Строительство (расположение может быть разным)
ReStore (4630 Y Street, Lincoln, NE 68503)

Дополнительные возможности для волонтеров могут быть доступны в течение года

Когда начнется строительство?
Строительство ведется круглый год по вторникам, четвергам, пятницам и субботам с 8:00 до 15:00.Волонтеров просят прибыть не позднее 7:55. Пожалуйста, зарегистрируйтесь и назначьте дату волонтерства здесь.

Что такое ReStore?
ReStore — это магазин товаров для дома и центр пожертвований, который продает новые и бывшие в употреблении строительные материалы, бытовую технику, новую и бывшую в употреблении мебель и аксессуары для дома за небольшую часть розничной цены. Мы используем волонтеров в ReStore, чтобы отвечать на телефонные звонки, помогать кассирам, пополнять запасы полок и перемещать товары в торговый зал. Волонтеры также будут работать в центре пожертвований, чтобы убирать и готовить пожертвованные вещи для торгового зала.

Есть ли минимальный возраст для волонтерства?
16 лет — минимальный возраст для работы на строительной площадке и в ReStore. На строительную площадку Хабитат не допускаются лица младше 16 лет. Добровольцы в возрасте 16 и 17 лет должны находиться на строительной площадке в сопровождении одного из родителей или опекуна.

Добровольцы в возрасте до 18 лет должны иметь одного из родителей или опекуна, который завершит отказ от ответственности в дополнение к онлайн-регистрации. Этот отказ может быть подан в день вашей запланированной смены.

Чем занимаются волонтеры на месте?
Волонтеры выполняют широкий спектр задач в зависимости от стадии строительства. В день, когда вы станете волонтером, вы можете помогать с обрамлением, постройкой крыльца, установкой окон, изоляцией, гипсокартоном, покраской, сайдингом, посевом, уборкой участка или чем-нибудь еще, что поможет построить дом и подготовить его к заселению.

Когда я узнаю место сборки и задачу?
Добровольцам отправляется электронное письмо за неделю до запланированного дня сборки с указанием местоположения и задачи на день.Если в нашем расписании произойдут неожиданные изменения, вы получите уведомление. Ваша гибкость — это самое важное, что нужно взять с собой на работу. Все рабочие места одинаково важны для хорошо построенного дома для среды обитания.

Все дни строительства являются ориентировочными, в зависимости от погоды и субподрядчиков. Мы стараемся не отменять строительство, но в определенных ситуациях это может потребоваться. Если в расписании есть изменения, вы получите уведомление не позднее 7 часов утра запланированного дня волонтерства по электронной почте или текстовым сообщением.

Просите ли вы пожертвование, когда мы работаем волонтером?
Мы не требуем, чтобы волонтеры делали пожертвования. Однако внесение пожертвования помогает нам покупать материалы и принадлежности, которые вы будете использовать в день сборки. В конечном итоге пожертвования помогают нам строить больше домов для семей в нашем сообществе. Доноры признаны. Если вы заинтересованы в пожертвовании, посетите нашу страницу пожертвований.

В какие дни я могу стать волонтером?
Наши строительные дни — вторник, четверг, пятница и суббота с 8 до 15 часов.У нас есть возможности для волонтеров, и почти каждые несколько недель добавляются новые даты.

Для групп (4+ человек), свяжитесь с Терезой по адресу [email protected], чтобы узнать о свободных днях, или отправьте групповой запрос.

ReStore предлагает волонтерские возможности со вторника по субботу.

У меня нет опыта строительства; могу ли я еще стать волонтером?
Хотя мы приветствуем опытных волонтеров и хотим поощрить тех, у кого есть предыдущий опыт, присоединиться к нам на месте, большинство наших волонтеров практически не имеют опыта строительства.Мы обучим вас выполнению конкретных задач в день, когда вы станете волонтером, с надеждой, что вы продолжите волонтерство и, возможно, даже поделитесь своими навыками с неквалифицированными волонтерами в будущем.

Мы хотим поддерживать веселую и безопасную обстановку в любое время. Если у вас есть какие-либо ограничения, сообщите об этом руководителю объекта до начала вашей смены.

Насколько физически требовательно волонтерство на стройке?
Волонтеры должны быть в хорошей физической форме и подготовлены для выполнения запланированной на день работы.Некоторые задачи требуют больших физических усилий, чем другие. Важно, чтобы все добровольцы сообщали руководителю на месте обо всех проблемах, которые у них могут возникнуть в связи с конкретными задачами, такими как подъем по лестницам или работа с электроинструментами.

Какого рода обязательств требует Habitat Lincoln?
Мы знаем, что у всех плотный график, но мы надеемся, что вы сможете присоединиться к нам, когда сможете! Нам всегда нужны волонтеры, которые готовы помогать на регулярной основе. Многие волонтеры выезжают еженедельно или ежемесячно.Присоединяйтесь к нам, чтобы узнать, подходит ли сайт сборки или ReStore для ваших волонтерских нужд.

Могу ли я заказать поездку на сайт или в ReStore и обратно?
Мы не предоставляем и не организуем транспорт для волонтерской деятельности.

Нужно ли мне оставаться на всю смену?
Волонтеры на стройке должны оставаться всю смену с 8:00 до 15:00. У нас обеденный перерыв в 11:30. Обед не предоставляется.

Все волонтеры ReStore должны пройти ориентацию перед тем, как стать волонтерами.Ориентации проходят по средам в 10:30 и по субботам в 9:30. Посмотреть время и смены ориентации можно здесь.

После ориентации волонтеры ReStore запишутся на 4-часовую смену и, как ожидается, останутся там на время смены, если предварительная договоренность не была достигнута с нашим помощником менеджера.

Что делать, если мне нужно отменить?
Отмены случаются, но важно, чтобы они были минимизированы. Имейте в виду, что после того, как вы зарегистрируетесь, наши сотрудники по строительству и ReStore планируют соответственно.Если вам нужно отменить, пожалуйста, сделайте это как можно скорее через наш портал регистрации волонтеров или из вашего электронного письма с подтверждением. Это позволит другому волонтеру заполнить вакансию. Вы также можете написать нашему координатору волонтеров Терезе по адресу [email protected], и она удалит вашу регистрацию из системы.

Как контролируются волонтеры?
Наш менеджер по строительству будет на месте, чтобы работать вместе с волонтерами и обеспечивать обучение и общий надзор.У нас также есть опытные волонтеры, которые могут наблюдать за волонтерами и оказывать им помощь.

В ReStore наш помощник менеджера будет наблюдать за всеми волонтерами, но любой сотрудник ReStore будет рядом, чтобы помочь волонтерам. В ReStore также есть опытные волонтеры, которые могут оказать вам помощь.

Что нужно принести на сайт?
Волонтерам-строителям необходимо принести с собой много воды для питья в течение дня и обеденный мешок, чтобы насладиться ими во время обеденного перерыва.

Волонтеры должны носить одежду, которая может испачкаться и подходящая для погоды. Мы рекомендуем многослойную одежду. На строительной площадке всегда необходима обувь с закрытым носком. Если вы хотите принести свои собственные рабочие перчатки, вы можете, но это не обязательно. Пожалуйста, воздержитесь от использования собственных инструментов. Мы предоставили все инструменты и материалы, необходимые для выполнения повседневных задач.

Могу я просто появиться?
Чтобы помочь нам создать безопасную и приятную волонтерскую деятельность, каждый волонтер должен зарегистрироваться онлайн заранее.Регистрация закрывается по средам в дни сборки следующих недель. Это помогает нашему менеджеру по строительству лучше подготовить инструменты, материалы и проекты для всех.

Есть еще вопросы? Свяжитесь с нашим координатором волонтеров по телефону 402-480-6205.

Квантованный SGD с компенсацией ошибок и его приложения для крупномасштабной распределенной оптимизации

1 Введение

Из-за стремительного роста объемов данных в последние годы крупномасштабное машинное обучение привлекает все большее внимание в различных областях, таких как компьютерное зрение и распознавание речи.Распределенная оптимизация является одним из основных строительных блоков в этих приложениях, где обучающие данные часто слишком велики, чтобы их мог эффективно обрабатывать один вычислительный узел.

Обычно используемой средой распределенного обучения является параллелизм данных, при котором весь набор данных разделяется и сохраняется на нескольких узлах в кластере. Каждый узел вычисляет свои локальные градиенты и передает градиенты другим узлам для обновления параметров модели. Для таких обучающих систем затраты времени можно грубо разделить на вычисления или коммуникации.Связь часто становится узким местом в производительности, особенно для больших кластеров и / или моделей с множеством параметров.

Было предпринято несколько работ, направленных на повышение эффективности распределенного обучения за счет снижения стоимости коммуникации. Некоторые методы сосредоточены на квантовании градиентов в числа с фиксированной запятой (Zhou et al., 2016; Alistarh et al., 2017) , поэтому требуется гораздо меньше битов для передачи. Более агрессивное квантование, такое как двоичное или троичное представление, также исследовалось в (Seide et al., 2014; Стром, 2015; Wen et al., 2017) . Другие методы накладывали разреженность на градиенты во время коммуникации, когда только небольшая часть градиентов передается между узлами на каждой итерации (Wangni et al., 2017; Lin et al., 2018) .

Основная идея этих методов состоит в том, чтобы сжимать градиенты в некоторую особую форму, в которой каждая запись может быть представлена ​​гораздо меньшим количеством бит, чем исходное 32-битное число с плавающей запятой. Такое сжатие вносит дополнительные стохастические шумы, т.е.е. ошибка квантования в процесс оптимизации и замедлит сходимость или даже приведет к расхождению. 1Bit-SGD (Seide et al., 2014) принял схему обратной связи по ошибке, которая должна была компенсировать текущие локальные градиенты с ошибкой квантования из последней итерации, перед подачей их в функцию квантования. Хотя авторы заявили, что это улучшило поведение сходимости, не было дано теоретического анализа, подтверждающего его эффективность.

В этой статье мы предлагаем метод квантованного стохастического градиентного спуска с компенсацией ошибок, а именно ECQ-SGD.В нашем алгоритме также используется схема обратной связи по ошибкам, но здесь мы накапливаем все предыдущие ошибки квантования, а не только с последней итерации, как в 1Bit-SGD. Хотя эмпирическая оценка показывает, что эта модификация приводит к более быстрой и стабильной сходимости, чем многие базовые методы, нетривиально установить теоретическую гарантию этого явления.

В статье (Alistarh et al., 2017)

авторы доказали, что для предложенного ими алгоритма QSGD количество итераций, необходимых для достижения определенного разрыва субоптимальности, пропорционально границе дисперсии стохастических квантованных градиентов.Однако это не может объяснить поведение сходимости нашего метода, поскольку наши квантованные градиенты являются смещенными оценками, в отличие от QSGD. Фактически, граница дисперсии квантованных градиентов даже больше, чем в QSGD, из-за накопленной ошибки квантования. Чтобы решить эту проблему, мы представляем анализ сходимости с другой точки зрения и доказываем, что наш алгоритм имеет более жесткую границу ошибок наихудшего случая, чем QSGD с правильно выбранными гиперпараметрами. Можно показать, что предложенная нами схема обратной связи по ошибке может хорошо подавлять вклад ошибки квантования в границу ошибки, что приводит к меньшему разрыву субоптимальности, чем QSGD, как мы наблюдали в экспериментах.

Оставшаяся часть этого документа будет организована следующим образом. Мы кратко рассмотрим соответствующие работы в разделе 2 и представим предварительные сведения в разделе 3. В разделах 4 и 5 мы предлагаем алгоритм ECQ-SGD и его теоретический анализ. В разделе 6 проводятся обширные эксперименты, за которыми следуют окончательные выводы.

2 Связанные работы

Было предложено несколько работ для ускорения стохастического градиентного спуска в контексте распределенного обучения.Некоторые применяют асинхронное обновление, чтобы отделить вычисления от обмена данными, в то время как другие сосредоточены на сокращении накладных расходов на обмен данными с помощью градиентного квантования или разрежения.

Асинхронный SGD. Hogwild! (Recht et al., 2011) — это безблокировочная реализация параллельной SGD, которая может достичь почти оптимальной скорости сходимости для определенных проблем. (Dean et al., 2012). предлагает структуру DistBelief, которая использует асинхронный SGD для обучения глубоких сетей в распределенной среде.Поведение сходимости асинхронных SGD подробно анализировалось во многих работах (Chaturapruek et al., 2015; Zhao & Li, 2016; Zheng et al., 2017; De Sa et al., 2017) .

Градиентное квантование. В (Seide et al., 2014) предлагается 1Bit-SGD для квантования каждого компонента градиента до 1 или -1 с нулевым пороговым значением. Схема обратной связи по ошибке вводится во время квантования, чтобы компенсировать ошибку квантования от последней итерации. Подобные идеи приняты в (Strom, 2015) , который накапливает локальные градиенты по итерациям и передает только компоненты градиента, превышающие предварительно выбранный порог.Wen et al. далее расширить эту идею и сжать градиенты до троичных значений с помощью функции стохастического квантования, чтобы гарантировать несмещенность (Wen et al., 2017) . Quantized SGD (Alistarh et al., 2017)

случайным образом квантует градиенты с использованием равномерно распределенных точек квантования, и представлен подробный анализ для решения проблемы его сходимости. ZipML

Градиентное разрежение. Метод снижения градиента предложен в (Aji & Heafield, 2017) , чтобы ввести разреженность в градиенты для снижения стоимости связи. В (Wangni et al., 2017)

разбиение градиента моделируется как задача линейного программирования, направленная на минимизацию увеличения дисперсии квантованных градиентов.Lin et al. предложить алгоритм сжатия глубокого градиента с использованием коррекции импульса, отсечения градиента, маскировки фактора импульса и разминки для достижения более высокой разреженности без потери точности

3 Предварительные встречи

Мы рассматриваем следующую безусловную оптимизацию:

где w∈Rd и f: Rd → R — выпуклая дифференцируемая функция, которую мы хотим минимизировать. Часто целевая функция f определяется на наборе обучающих выборок D = {xi}, и потребность в распределенной оптимизации возникает, когда обучающий набор слишком велик, чтобы поместиться в один узел.

Предположим, мы решаем эту задачу распределенной оптимизации параллельно с данными. Полный набор D равномерно распределяется по узлам P, а подмножество данных, расположенное в узле p, обозначается как Dp. Формально желаем оптимизировать:

На рисунке 1 показано, как параметры модели w обновляются через распределенную SGD. Каждый узел инициализирует свою локальную реплику модели, используя одно и то же случайное начальное число, чтобы гарантировать согласованность всех реплик модели.На t-й итерации каждый узел случайным образом выбирает мини-пакет обучающих выборок, вычисляет локальные градиенты и затем передает их всем остальным узлам. Когда один узел собирает все локальные градиенты, отправленные другими узлами, глобальные градиенты могут быть вычислены и использованы для обновления параметров модели.

4 Квантованный SGD

Для распределенной оптимизации при настройке параллельных данных требуется обмен локальными градиентами между каждыми двумя узлами в каждой итерации.Для крупномасштабной распределенной оптимизации с большим количеством параметров модели, например

при обучении сверточной нейронной сети, градиентная связь может стать узким местом в производительности.

Одно из возможных решений — квантовать локальные градиенты перед передачей, чтобы снизить стоимость связи. В этом разделе мы предлагаем алгоритм ECQ-SGD (квантованный SGD с компенсацией ошибок), который обновляет параметры модели с помощью квантованных локальных градиентов. На каждой итерации текущие локальные градиенты компенсируются накопленной ошибкой квантования от всех предыдущих итераций, а затем передаются в функцию стохастического квантования для сжатия.

Пусть Q: Rd → Cd будет несмещенной функцией стохастического квантования, которая отображает каждый компонент в ad

-мерном векторе в некоторый элемент из кодовой книги квантования

, где g (t) p — локальные градиенты p-го узла на t-й итерации, а ~ g (t) p — его квантованный аналог.

Когда узел получает все локальные градиенты, отправленные другими узлами, он вычисляет глобальные градиенты и обновляет реплику своей локальной модели через:

где η> 0 — скорость обучения.

Основная идея ECQ-SGD заключается в том, что при квантовании локальных градиентов следует учитывать как текущие градиенты, так и ранее накопленную ошибку квантования.В частности, мы используем h (t) p для обозначения накопленной ошибки квантования p-го узла на t-й итерации:

, где β — коэффициент уменьшения во времени (0≤β≤1). Обратите внимание, что накопленную ошибку квантования можно постепенно обновлять:

, где h (0) p = 0.Квантованные локальные градиенты теперь вычисляются путем применения функции квантования к скомпенсированным градиентам:

, где α — коэффициент компенсации (α≥0).

Здесь мы принимаем функцию стохастического квантования с равномерно распределенными точками квантования, подобную QSGD (Alistarh et al., 2017) , где i-й компонент квантуется как:

, где ∥g∥ действует как коэффициент масштабирования (возможные варианты включают l2-норму и l∞-норму), а ξ (⋅) — стохастическая функция, которая отображает скаляр на некоторый элемент в {0,1s,…, 1} :

, когда | gi | / ∥g∥ попадает в интервал [ls, l + 1s).Гиперпараметр s определяет количество ненулевых уровней квантования: чем больше s, тем выше тонкоструктурное квантование за счет увеличения стоимости связи. С этого момента мы используем Qs (⋅) для обозначения функции квантования с s ненулевыми уровнями квантования.

После квантования нам нужно только r = ⌈log2 (2s + 1) ⌉ битов для кодирования каждого квантованного ~ gi и одно число с плавающей запятой для представления коэффициента масштабирования g∥. Общая стоимость связи составляет 32 + dr бит (r≪32), что намного меньше 32d битов, необходимых для исходных 32-битных градиентов полной точности.Более эффективные схемы энтропийного кодирования, например Кодирование Хаффмана (Хаффман, 1952) может дополнительно снизить стоимость связи. Пусть dk обозначает количество измерений, назначенных k-му уровню квантования, тогда общая длина кодирования составляет не более 2s + 1k = 1dklog2ddk битов.

Вход: распределенные данные D = D1∪ ⋯ ∪DP

инициализировать параметры модели w (0) и сбросить h (0) p ← 0

для t = 0,…, T − 1 делать

// 1. Вычисление градиента и связь

для p = 1,…, P do

случайным образом выбрать мини-партию D (t) p

вычисляет локальные градиенты g (t) p = ∇f (w (t); D (t) p)

широковещательных квантованных локальных градиентов ~ g (t) p

конец для

// 2.Обновление модели

для p = 1,…, P do

получает квантованные локальные градиенты {~ g (t) p}

вычисляет глобальные градиенты ~ g (t) = ∑p ~ g (t) p / P

обновить параметры модели w (t + 1) = w (t) −η⋅ ~ g (t)

конец для

конец для

Мы суммируем общий рабочий процесс в алгоритме 1. Поскольку все локальные градиенты квантуются перед передачей, накладные расходы связи могут быть значительно уменьшены.Это имеет решающее значение для эффективности обучения, особенно когда связь между узлами является узким местом производительности.

5 Теоретический анализ

В этом разделе мы анализируем поведение сходимости предложенного алгоритма ECQ-SGD. Мы начнем с обсуждения границы дисперсии ошибки квантования. После этого мы построим границу ошибки для задач квадратичной оптимизации и продемонстрируем преимущество ECQ-SGD перед QSGD.

5.1 Граница дисперсии ошибки квантования

Мы определяем ошибку квантования как разницу между скомпенсированными локальными градиентами и результатами его квантования:

Если функция квантования использует l2-norm в качестве коэффициента масштабирования, то она идентична той, что используется в QSGD.В этом случае мы можем напрямую позаимствовать их выводы о следующих двух свойствах ошибки квантования:

Лемма 1.

(Alistarh et al., 2017) Для любого вектора v∈Rd пусть ε = Qs (v) −v обозначает ошибку квантования, тогда мы имеем:

• Ограниченная дисперсия: E∥ε∥22≤min (ds2, √ds) ⋅∥v∥22

Здесь мы предполагаем, что второй момент локальных градиентов ограничен,

где γ = min (d / s2, √d / s).

Однако в ECQ-SGD вектор, подлежащий квантованию, представляет собой линейную комбинацию текущих локальных градиентов и накопленной ошибки квантования. Тем не менее, мы можем получить слегка ослабленную границу для второго момента ошибки квантования:

Лемма 2.

Для p-го узла его ошибка квантования на t-й итерации удовлетворяет:

, где λ = α2γ + (β − α) 2.

Доказательство.

См. Дополнительные материалы. ∎

В ECQ-SGD мы обычно выбираем гиперпараметры (α, β), чтобы удовлетворить λ <1 (т. Е. Пусть 0 <α <2γ + 1 и β = 1), обеспечивая выполнение следующей границы дисперсии ошибки квантования для любого итерация t:

Следовательно, пока α2γ1-λ мало, граница дисперсии ошибки квантования в алгоритме ECQ-SGD все еще очень близка к таковой для QSGD.Также стоит отметить, что эта верхняя граница не зависит от t, что указывает на то, что граница дисперсии не будет расходиться во время оптимизации.

На основе приведенных выше результатов можно сделать вывод, что граница дисперсии квантованных локальных градиентов в ECQ-SGD также больше, чем в QSGD. Согласно анализу сходимости в QSGD, количество итераций, необходимых для достижения определенной субоптимальности, пропорционально границе дисперсии стохастических градиентов. Это означает, что после анализа сходимости в QSGD можно было бы сделать вывод, что ECQ-SGD должен сходиться медленнее, чем QSGD, что фактически противоречит экспериментальным результатам (как показано ниже).Следовательно, нам необходимо проанализировать поведение конвергенции ECQ-SGD с другой точки зрения, чтобы объяснить его преимущество перед QSGD, наблюдаемое на практике.

5.2 Сходимость для квадратичной оптимизации

Теперь проанализируем, как параметры модели сходятся к оптимальному решению в ECQ-SGD. Рассмотрим следующую выпуклую квадратичную оптимизацию:

, где весь набор данных D = D1∪ ⋯ ∪DP равномерно разделяется и сохраняется в P-узлах.Суммируя все Ais и bis, приведенная выше оптимизация эквивалентна:

, где A = ∑ (Ai, bi) ∈DAi и b = ∑ (Ai, bi) ∈Dbi

. Наименьшее и наибольшее сингулярные значения

На каждой итерации каждый узел создает мини-пакет обучающих выборок {(Ai, bi)}, равномерно выбираемых из его локального подмножества данных.Результирующие локальные градиенты могут быть представлены как лежащие в основе истинные градиенты плюс член стохастического шума, который равен:

, где {ξ (t) p} — i.i.d. случайные шумы с нулевым средним. Квантованные локальные градиенты даются по формуле:

Напомним правило обновления ECQ-SGD, имеем:

, где вспомогательные переменные определены следующим образом:

Из леммы 2 мы можем получить оценку дисперсии для ошибки псевдоквантования:

Ниже мы представляем наихудший случай верхней границы ожидаемого расстояния между w (t + 1), решением, полученным на (t + 1) -й итерации, и w ∗, оптимальным решением.

Теорема 1.

Позвольте быть минимизируемой целевой функцией, оптимальное решение которой обозначается как w ∗, а R2 = supw∈Rd∥w − w ∗ ∥22. Предположим, что стохастический шум в градиентах мини-партии удовлетворяет E∥ξ (t) ∥22≤σ2, тогда граница ошибки в алгоритме ECQ-SGD удовлетворяет:

, где H = I − ηA и:

Доказательство.

См. Дополнительные материалы. ∎

Стоит отметить, что наш алгоритм отличается от QSGD только двумя последними условиями оценки ошибок, приведенными выше; два других члена идентичны в обоих алгоритмах. Теперь мы анализируем значение Θ (t ‘), чтобы выявить разницу между ECQ-SGD и QSGD. Во-первых, мы можем доказать, что:

Лемма 3.

Если скорость обучения удовлетворяет ηa1 <1, то:

где ν = (β − α) / (1 − ηa1).

Полагая 0 <α <1 и β = 1 − ηa1, неравенство в лемме 3 упрощается до Θ (t ′) ⪯νt − t′⋅Ht − t ′. Кроме того, у нас есть 0 <ν <1 из его определения, что означает, что в ECQ-SGD множитель каждой предыдущей ошибки квантования последовательно предшествует ее аналогу в QSGD (где ν = 1 из-за α = 0).

Чтобы упростить дальнейшее обсуждение, мы вводим вспомогательную переменную τ (t ′), определяемую как:

, который обозначает верхнюю границу вклада ошибки квантования ε (t ‘) в окончательную границу ошибки (21).Точно так же верхняя граница вклада ошибки квантования в QSGD определяется как:

, который на самом деле является частным случаем ECQ-SGD, когда α = 0.

Напомним, что в (13), обеспечивая λ <1, граница дисперсии ошибки квантования в ECQ-SGD относительно близка к таковой для QSGD. Следовательно, при правильно выбранных гиперпараметрах коэффициент уменьшения ECQ-SGD в τ (t ′) (по сравнению с QSGD) приближается к нулю, когда временной интервал (t − t ′) увеличивается до бесконечности:

Лемма 4.

Если β = 1 − ηa1 и α> 0 удовлетворяет λ = α2γ + (β − α) 2 <1, то имеем:

Подробное доказательство лемм 3 и 4 можно найти в дополнительном материале. На практике, поскольку скорость обучения η≪1a1, мы можем просто установить β = 1 и α равным некоторому небольшому положительному числу, чтобы приблизительно удовлетворить требованиям леммы 4.

Из леммы 4 следует, что по мере продолжения итерации ECQ-SGD может лучше подавлять вклад всех предыдущих ошибок квантования в границу ошибки (21), чем QSGD.Внутреннее понимание состоит в том, что со схемой обратной связи по ошибкам ошибки квантования из разных итераций компенсируются при оценке окончательной границы ошибки, что приводит к более жесткой верхней границе для худшего случая, чем у QSGD.

Сравнение значения функции потерь и расстояния до оптимального решения (слева:

6 экспериментов

В этом разделе мы демонстрируем эффективность предлагаемого нами алгоритма ECQ-SGD с помощью обширных экспериментов.Мы начинаем с линейных моделей выпуклой оптимизации, а затем расширяемся до невыпуклой оптимизации с помощью глубоких сверточных нейронных сетей. Далее мы анализируем масштабируемость для крупномасштабных сценариев и заканчиваем обсуждение подробным исследованием выбора гиперпараметров.

6.1 Линейные модели

В предыдущем анализе сходимости мы утверждали, что для выпуклой квадратичной оптимизации ECQ-SGD может уменьшить вклад ошибки квантования в границу ошибки, что приводит к лучшему решению после сходимости.Теперь мы проверим это, сравнив поведение сходимости ECQ-SGD и QSGD для обучения моделей линейной регрессии.

Здесь мы начинаем с трех синтетических наборов данных: Syn-256, Syn-512 и Syn-1024. Каждый набор данных состоит из 10 тысяч обучающих выборок, а суффикс обозначает размерность объекта d. Обучающая выборка создается как yi = w ∗ Txi + ϵi, где w ∗ ∈Rd — параметры базовой модели, которые мы хотим получить, а {ϵi} — i.i.d. случайные шумы. Скорость обучения установлена ​​на 0,02, и как QSGD, так и ECQ-SGD используют l2-norm в качестве коэффициента масштабирования и 4 ненулевых уровня квантования, т.е.е. s = 4. Для ECQ-SGD мы принимаем α = 0,2 и β = 0,9.

На рисунке 2 мы сравниваем значение функции потерь (вверху) и расстояние до оптимального решения (внизу) на каждой итерации. Для всех трех наборов данных значение функции сходимости ECQ-SGD ближе к 32-битному SGD полной точности и значительно быстрее, чем QSGD. С другой стороны, разрыв между QSGD (или ECQ-SGD) и 32Bit-FP в расстоянии до оптимального решения измеряет вклад ошибки квантования в границу ошибки, как определено в (21).Разрыв расстояний ECQ-SGD явно меньше, чем QSGD, что указывает на то, что вклад ошибки квантования в границу ошибки хорошо подавляется.

Теперь мы сравним скорость выполнения QSGD и ECQ-SGD на более крупном наборе данных Syn-20k, который состоит из 50 000 обучающих выборок, а размерность функции составляет 20 000. На рисунке 3 мы сообщаем о разложенном расходе времени и потерях при тестировании (в скобках) для различных методов после 1000 итераций. Мы обнаружили, что ECQ-SGD достигает аналогичных потерь при тестировании с 32-битным FP за более короткое время, чем 32Bit-FP и QSGD.Хотя ECQ-SGD требует дополнительного времени кодирования и декодирования, общая скорость обучения все же улучшается из-за сокращения времени передачи градиента.

Кроме того, мы расширяем оценку на два общедоступных набора данных: YearPredictionMSD для регрессии и жизетта для классификации (Chang & Lin, 2011)

.Модели линейной регрессии и логистической регрессии обучаются с использованием различных методов квантования градиента для этих двух наборов данных соответственно. Сравнение значения функции потерь и затрат на связь, усредненных по пяти случайным прогонам, показано на рис.

Из рисунка 4 мы видим, что все методы, кроме 1Bit-SGD, сходятся с одинаковой скоростью, и конечная производительность также почти идентична друг другу. Это может быть связано с относительно небольшим количеством измерений признаков (90) в наборе данных YearPredictionMSD, так что разные методы градиентного квантования не имеют значительного разрыва в производительности.

Для набора данных gisette, размерность которого составляет 5000, и TernGrad, и ECQ-SGD могут по-прежнему соответствовать производительности 32-битного SGD полной точности, в то время как 1Bit-SGD и QSGD страдают более серьезным ухудшением производительности. С другой стороны, ECQ-SGD обеспечивает гораздо более высокую степень сжатия (281,88 ×), чем TernGrad (34,67 ×).

6.2 Сверточные нейронные сети

Теперь мы оцениваем алгоритм ECQ-SGD для обучения сверточных нейронных сетей, который представляет собой крайне невыпуклую задачу оптимизации.

Эксперименты проводятся на наборе данных CIFAR-10 (Крижевский, 2009) , который состоит из 60 тысяч изображений из 10 категорий. Мы следуем общему протоколу, используя 50 тыс. Изображений для обучения и оставшиеся 10 тыс. Изображений для оценки. Мы обучаем модель ResNet-20 (He et al., 2016) с различными методами градиентного квантования, и результаты представлены на рисунке 5

. Для всех методов размер пакета установлен на 128, а скорость обучения начинается с 0.1, разделенное на 10 при 40k и 60k итерациях. Процесс обучения завершается в конце 200-й эпохи (

В первом столбце рисунка 5 мы сравниваем значение функции потерь и общие накладные расходы на связь различных методов. Гиперпараметры каждого метода выбраны так, чтобы обеспечить незначительную потерю точности по сравнению с 32-битной базовой линией полной точности. Мы обнаружили, что все методы сходятся с одинаковой скоростью, но ECQ-SGD предлагает более 80-кратное снижение стоимости связи и значительно превосходит другие методы градиентного квантования.

Во втором и третьем столбцах рисунка 5 мы представляем более подробное сравнение с QSGD, так как оно является наиболее подходящим для нашего метода.Используются разные коэффициенты масштабирования: l2-норма для второго столбца и l∞-норма для третьего столбца. Оба метода используют размер корзины 4096 для справедливого сравнения. Мы заметили, что ECQ-SGD неизменно превосходит QSGD как по скорости сходимости, так и по точности классификации, в то время как снижение стоимости связи этими двумя методами одинаково при одинаковых настройках гиперпараметров.

6.3 Производительность модели

Мы принимаем модель производительности, предложенную в (Yan et al., 2015) , чтобы оценить масштабируемость нашего алгоритма ECQ-SGD. Облегченное профилирование времени вычислений и связи выполняется для оценки эффективности обучения для более крупных кластеров. Основные технические характеристики оборудования следующие: процессор Intel Xeon E5-2680, графический процессор Nvidia Tesla P40 (8 блоков на узел) и сетевая карта Mellanox ConnectX-3 Pro (скорость подключения 40 Гбит / с).

На рисунке 6 мы сообщаем о пропускной способности для обучения модели ResNet-50 на наборе данных ILSVRC-12 (Русаковский и др., 2015) . При обучении с 512 графическими процессорами ECQ-SGD достигает 143,5% ускорения по сравнению с обычным SGD (66,42 КБ против 27,28 КБ изображений в секунду). В наших экспериментах полоса пропускания соединения относительно велика, и поэтому для кластеров с меньшей пропускной способностью ожидается, что наш метод может обеспечить еще большее ускорение.

6.4 Исследование параметров

В лемме 4 мы представляем руководство по выбору гиперпараметров α и β в ECQ-SGD.Простая практика — установить β = 1 и α равным некоторому небольшому положительному числу, удовлетворяющему условию α2γ + (β − α) 2 <1. Теперь проверим, действительно ли это оптимально для обучения моделей с большей точностью.

Для количественной оценки мы обучаем модели ResNet-20 на наборе данных CIFAR-10 с различными комбинациями гиперпараметров, и результаты представлены в таблице 2. При фиксировании α на 0,01 мы обнаруживаем, что наименьшая частота ошибок достигается, когда β установлен на 1. С другой стороны, когда β = 1 фиксировано, аналогичная частота ошибок достигается путем установки α на любое значение от 0.01 и 0.1. Если α слишком мало, то эффект обратной связи по ошибке значительно ослабляется, что приводит к аналогичной производительности с QSGD. Если α слишком велико, то ограничение λ = α2γ + (β − α) 2 <1 может быть нарушено, и процесс обучения становится менее стабильным (например, когда α = 0,15, оптимизация вообще не сходится). Приведенные выше наблюдения согласуются с нашим предыдущим анализом в лемме 4.

7 Заключение

В этой статье мы представляем квантованный алгоритм SGD с компенсацией ошибок для повышения эффективности обучения для крупномасштабной распределенной оптимизации. За счет введения схемы обратной связи по ошибкам алгоритм ECQ-SGD может эффективно подавлять вклад ошибки квантования в границу ошибки. Мы анализируем его поведение сходимости с теоретической точки зрения, а также демонстрируем его преимущество перед современным алгоритмом QSGD. Эксперименты на выпуклых линейных моделях и невыпуклых сверточных нейронных сетях демонстрируют эффективность предложенного алгоритма.

% PDF-1.5 % 1 0 объект > эндобдж 4 0 obj (Абстрактный) эндобдж 5 0 obj > эндобдж 8 0 объект (Благодарности) эндобдж 9 0 объект > эндобдж 12 0 объект (Содержание) эндобдж 13 0 объект > эндобдж 16 0 объект (Обозначение) эндобдж 17 0 объект > эндобдж 20 0 объект (1. Введение) эндобдж 21 0 объект > эндобдж 24 0 объект (1.1 Мотивация) эндобдж 25 0 объект > эндобдж 28 0 объект (1.2 Постановка задачи) эндобдж 29 0 объект > эндобдж 32 0 объект (1.3 Ограничения) эндобдж 33 0 объект > эндобдж 36 0 объект (1.4 Краткое содержание диссертации) эндобдж 37 0 объект > эндобдж 40 0 объект (2 Теория и предыстория) эндобдж 41 0 объект > эндобдж 44 0 объект (2.1 Лазерная 3D-триангуляция) эндобдж 45 0 объект > эндобдж 48 0 объект (2.2 Рейнджер3) эндобдж 49 0 объект > эндобдж 52 0 объект (2.2.1 Аппаратное обеспечение) эндобдж 53 0 объект > эндобдж 56 0 объект (2.2.2 GigE Vision) эндобдж 57 0 объект > эндобдж 60 0 объект (2.3 Настройка оборудования) эндобдж 61 0 объект > эндобдж 64 0 объект (2.3.1 Xilinx ZYNQ-7045) эндобдж 65 0 объект > эндобдж 68 0 объект (2.3.2 шина AXI4-S) эндобдж 69 0 объект > эндобдж 72 0 объект (2.4 Сжатие изображений без потерь) эндобдж 73 0 объект > эндобдж 76 0 объект (2.4.1 Энтропия) эндобдж 77 0 объект > эндобдж 80 0 объект (2.4.2 Кодирование Голомба) эндобдж 81 0 объект > эндобдж 84 0 объект (2.4.2.1 Коды Голомба-Райса) эндобдж 85 0 объект > эндобдж 88 0 объект (2.5 Соответствующие алгоритмы) эндобдж 89 0 объект > эндобдж 92 0 объект (2.5.1 JPEG-LS) эндобдж 93 0 объект > эндобдж 96 0 объект (2.5.1.1 Расчет контекста) эндобдж 97 0 объект > эндобдж 100 0 объект (2.5.1.2 Фиксированный прогноз) эндобдж 101 0 объект > эндобдж 104 0 объект (2.5.1.3 Адаптивная коррекция) эндобдж 105 0 объект > эндобдж 108 0 объект (2.5.1.4 Энтропийное кодирование) эндобдж 109 0 объект > эндобдж 112 0 объект (2.5.1.5 Рабочий режим) эндобдж 113 0 объект > эндобдж 116 0 объект (2.5.1.6 Проблема конфликта контекста) эндобдж 117 0 объект > эндобдж 120 0 объект (2.5.2 ФЕЛИКС) эндобдж 121 0 объект > эндобдж 124 0 объект (2.5.2.1 Скорректированное двоичное кодирование) эндобдж 125 0 объект > эндобдж 128 0 объект (2.5.2.2 Выбор параметра k) эндобдж 129 0 объект > эндобдж 132 0 объект (3 предварительных исследования) эндобдж 133 0 объект > эндобдж 136 0 объект (3.1 Подход к оценке) эндобдж 137 0 объект > эндобдж 140 0 объект (3.2 Метод оценки) эндобдж 141 0 объект > эндобдж 144 0 объект (3.2.1 Алгоритмы сжатия) эндобдж 145 0 объект > эндобдж 148 0 объект (3.2.2 Оценка показателей эффективности) эндобдж 149 0 объект > эндобдж 152 0 объект (3.2.2.1 Степень сжатия) эндобдж 153 0 объект > эндобдж 156 0 объект (3.2.2.2 Пропускная способность) эндобдж 157 0 объект > эндобдж 160 0 объект (3.2.2.3 Стоимость оборудования) эндобдж 161 0 объект > эндобдж 164 0 объект (3.2.2.4 Стоимость памяти) эндобдж 165 0 объект > эндобдж 168 0 объект (3.2.2.5 Вычислительная сложность) эндобдж 169 0 объект > эндобдж 172 0 объект (3.3 Промежуточные результаты) эндобдж 173 0 объект > эндобдж 176 0 объект (3.3.1 Первоначальный выбор) эндобдж 177 0 объект > эндобдж 180 0 объект (3.3.2 Дальнейшая оценка) эндобдж 181 0 объект > эндобдж 184 0 объект (3.3.3 Энтропия) эндобдж 185 0 объект > эндобдж 188 0 объект (3.4 Выбор алгоритма) эндобдж 189 0 объект > эндобдж 192 0 объект (4 Моделирование системы) эндобдж 193 0 объект > эндобдж 196 0 объект (4.1 Описание системы) эндобдж 197 0 объект > эндобдж 200 0 объект (4.1.1 Этап моделирования) эндобдж 201 0 объект > эндобдж 204 0 объект (4.1.2 Исходное кодирование) эндобдж 205 0 объект > эндобдж 208 0 объект (4.1.2.1 Кодирование Голомба-Райса) эндобдж 209 0 объект > эндобдж 212 0 объект (4.1.2.2 Упрощенное скорректированное двоичное кодирование) эндобдж 213 0 объект > эндобдж 216 0 объект (4.1.2.3 Кодирование длины цикла) эндобдж 217 0 объект > эндобдж 220 0 объект (4.1.3 Упаковщик данных) эндобдж 221 0 объект > эндобдж 224 0 объект (4.1.3.1 Счетчик размера кода) эндобдж 225 0 объект > эндобдж 228 0 объект (4.1.4 Декодер) эндобдж 229 0 объект > эндобдж 232 0 объект (4.2 Программная реализация) эндобдж 233 0 объект > эндобдж 236 0 объект (4.2.1 Энкодер) эндобдж 237 0 объект > эндобдж 240 0 объект (4.2.1.1 Исходное кодирование) эндобдж 241 0 объект > эндобдж 244 0 объект (4.2.2 Декодер) эндобдж 245 0 объект > эндобдж 248 0 объект (4.2.3 Тестирование и проверка) эндобдж 249 0 объект > эндобдж 252 0 объект (4.2.4 Тестовые изображения) эндобдж 253 0 объект > эндобдж 256 0 объект (4.3 Реализация VHDL) эндобдж 257 0 объект > эндобдж 260 0 объект (4.3.1 Верхний уровень) эндобдж 261 0 объект > эндобдж 264 0 объект (4.3.2 Ввод) эндобдж 265 0 объект > эндобдж 268 0 объект (4.3.3 Обработка интенсивности) эндобдж 269 ​​0 объект > эндобдж 272 0 объект (4.3.4 Исходное кодирование) эндобдж 273 0 объект > эндобдж 276 0 объект (4.3.4.1 Кодер риса Голомба) эндобдж 277 0 объект > эндобдж 280 0 объект (4.3.4.2 Упрощенный скорректированный двоичный кодер) эндобдж 281 0 объект > эндобдж 284 0 объект (4.3.4.3 Контроль) эндобдж 285 0 объект > эндобдж 288 0 объект (4.3.4.4 Кодировщик длин серий) эндобдж 289 0 объект > эндобдж 292 0 объект (4.3.5 Упаковщик данных) эндобдж 293 0 объект > эндобдж 296 0 объект (4.4 Моделирование тестирования оборудования) эндобдж 297 0 объект > эндобдж 300 0 объект (4.5 Проверка цели) эндобдж 301 0 объект > эндобдж 304 0 объект (5 Результат) эндобдж 305 0 объект > эндобдж 308 0 объект (5.1 предварительное исследование) эндобдж 309 0 объект > эндобдж 312 0 объект (5.2 Моделирование системы) эндобдж 313 0 объект > эндобдж 316 0 объект (5.2.1 Программная реализация) эндобдж 317 0 объект > эндобдж 320 0 объект (5.2.2 Аппаратная реализация) эндобдж 321 0 объект > эндобдж 324 0 объект (6 Обсуждение) эндобдж 325 0 объект > эндобдж 328 0 объект (6.1 Метод) эндобдж 329 0 объект > эндобдж 332 0 объект (6.1.1 Предварительное обучение) эндобдж 333 0 объект > эндобдж 336 0 объект (6.1.2 Моделирование системы) эндобдж 337 0 объект > эндобдж 340 0 объект (6.1.3 Оценка) эндобдж 341 0 объект > эндобдж 344 0 объект (6.2 Результат) эндобдж 345 0 объект > эндобдж 348 0 объект (6.2.1 Сравнение с требованиями) эндобдж 349 0 объект > эндобдж 352 0 объект (6.2.2 Сравнение с аналогичными работами) эндобдж 353 0 объект > эндобдж 356 0 объект (6.2.3 Узкое место декодера) эндобдж 357 0 объект > эндобдж 360 0 объект (6.2.4 Эффекты конвейерной обработки) эндобдж 361 0 объект > эндобдж 364 0 объект (6.2.5 Выбор параметра k) эндобдж 365 0 объект > эндобдж 368 0 объект (6.2.6 Адаптация RLE) эндобдж 369 0 объект > эндобдж 372 0 объект (6.2.7 Требования к линии передачи) эндобдж 373 0 объект > эндобдж 376 0 объект (6.2.8 Многокомпонентная реализация) эндобдж 377 0 объект > эндобдж 380 0 объект (7 Заключение) эндобдж 381 0 объект > эндобдж 384 0 объект (7.1 Общий вывод) эндобдж 385 0 объект > эндобдж 388 0 объект (7.2 Дальнейшая работа) эндобдж 389 0 объект > эндобдж 392 0 объект (Тестирование) эндобдж 393 0 объект > эндобдж 396 0 объект (A.1 Технические характеристики системы) эндобдж 397 0 объект > эндобдж 400 0 объект (A.2 Тестовые изображения) эндобдж 401 0 объект > эндобдж 404 0 объект (B Предварительное обучение) эндобдж 405 0 объект > эндобдж 408 0 объект (B.1 Дополнительные изображения, используемые при оценке) эндобдж 409 0 объект > эндобдж 412 0 объект (Библиография) эндобдж 413 0 объект > эндобдж 417 0 объект > транслировать x ڍ RMO0 + z8Yuы 끰 m [4 [h2 ك 0 e ޛ7 E

Большая охота за сокращениями

OZ

АБВГДЕЖЗИКЛМНОПРСТУФХЧШЭЮЯ
OAOBOCODOEOFOGOHOIOJOKOLOMONOOOPOQOROSOTOUOVOWOXOYOZ

OSG3.4.0 + VS2015 + Win10 + x64 Этапы создания среды — Программист искал

1. Скачать

1. Исходный код стабильной версии OSG. Загрузки выпуска OpenSceneGraph 3.4.0:
http://www.openscenegraph.org/index.php/download-section/stable-releases/206-openscenegraph-3-4-0-released

2. Сторонние библиотеки

: http://www.openscenegraph.org/index.php/download-section/dependencies

VS2010: http://members.iinet.net.au/~bchrist/3rdParty_VC10_x86_x64.почтовый индекс

VS2015 x64 ： https: //pan.baidu.com/s/18cr9nAIEi9FXZ55O3FkusQ Код извлечения: fcbk

Примечание. Версия сторонней библиотеки должна соответствовать версии Visual Studio. Статья, используемая в этой статье, применима только к Visual Studio2015 x64, а версия набора инструментов платформы — v140.

3. Пакет данных osg3.4.0

http://www.openscenegraph.org/downloads/stable_releases/OpenSceneGraph-3.4.0/data/OpenSceneGraph-Data-3.4.0.zip

4. Скачать cmake

https: // cmake.org / Выберите загрузку файла в каталоге Binary distributions, я скачал cmake3.19.0

2. Подготовка перед компиляцией

Создайте новую папку OSG в D: \ и создайте еще 4 папки под ней

D: \ OSG \ OpenSceneGraph хранит исходный код OSG

D: \ OSG \ 3rdParty хранит сторонние зависимые библиотеки

D: \ OSG \ data хранит распакованный пакет данных

D: \ OSG \ build готов для хранения скомпилированных библиотек, файлов заголовков и т. Д.

(я создал папку OSG в D: \ Program)

Три, используйте cmake для генерации по сравнению с проектом

1. Откройте cmake-gui.exe

2. Перетащите CmakeLists.txt из папки OpenSceneGraph с исходным кодом в интерфейс Cmake

3. Измените каталог сборки на D: \ OSG \ build

4. Нажмите «Настроить» и выберите Visual Studio 2015 x64 (обязательно вручную выберите x64)

5. Задайте параметры

Advanced: подключите

ACTUAL_3RDPARTY_DIR: D: / Program / OSG / 3rdParty;

BUILD_OSG_EXAMPLES: снимите отметку

CMAKE_INSTALL_PREFIX: D: / Программа / OSG / OpenSceneGraph; // Пользовательский

6.Нажмите «Настроить» и «Сгенерировать

7, полная

Четвертый, компиляционный проект

1. Откройте проект D: \ Program \ OSG \ build \ OpenSceneGraph.sln;

2. Generate- «Пакетная генерация, выберите отладочную и выпускную версии ALL_BUILD;

3. Далее он будет компилироваться более двух часов …

4. При нормальных обстоятельствах компиляция завершена

Пять, чистовая обработка и конфигурация переменных среды

(1) Онлайн-шаги

После успешной компиляции создайте новую папку на диске C с именем OSG3.4,0

1. Скопируйте три файла bin, include и lib из D: \ OSG \ build, только что сгенерированные, в OSG на диске C

2. Скопируйте все папки во включении в D: \ OSG \ OpenSceneGraph в C: \ OSG3.4.0 \ include

3. Создайте новую папку в OSG на диске C, назвав данные, и скопируйте ранее загруженные данные.

4. Задайте переменные среды: добавьте C: \ OSG3.4.0 \ bin в путь к системной переменной; создать новую переменную OSG_FILE_PATH: C: \ OSG3.4.0 \ data

(2) Мои шаги

1.Я не использовал метод создания новой папки на диске C, но поделился ранее созданной папкой, поэтому я скопировал папку во включении в OSG \ OpenSceneGraph во включение в OSG \ build, а затем настроил переменные среды It может гарантированно соответствовать вышеуказанным онлайн-шагам.

2. Установите переменные среды: создайте новый D: \ Program \ OSG \ build \ bin в пути; создать новую переменную OSG_FILE_PATH: D: \ Program \ OSG \ data

Шесть, проба

(1) Тест командной строки

1.Введите osgversion в каталог D: \ Program \ OSG \ build \ bin>, чтобы просмотреть версию;

2. Скопируйте cow.osg в каталог D: \ Program \ OSG \ build \ bin и введите osgviewer.exe cow.osg, чтобы увидеть, видите ли вы корову. Если он сообщает, что zlib.dll отсутствует, установите D: \ OSG Скопируйте zlib.dll и zlibd.dll из каталога \ 3rdParty \ bin в каталог D: \ Program \ OSG \ build \ bin.

Если корова выходит, это доказывает, что с командной строкой все в порядке. Далее протестируем работу в среде VS.

(Два) код теста

1. Создайте новый проект консоли win32, пустой проект для конфигурации

2. Щелкните проект правой кнопкой мыши, выберите «Свойства», выберите x64 на верхней платформе, выберите «Каталог VC ++» для свойств конфигурации слева, нажмите «Включить каталог» и «Каталог библиотеки» для редактирования и добавьте путь, как показано на рисунке ниже:

(в основном включает и lib в процессе сборки)

3. Выберите «Препроцессор» в «C / C ++» слева и добавьте WIN32 в определение препроцессора; (не забудьте использовать точку с запятой, чтобы отделить его от следующих символов):

4.Выберите «вход» для «компоновщика» слева и добавьте дополнительные зависимости:

OpenThreadsd.lib

osgd.lib

osgDBd.lib

osgUtild.lib

osgGAd.lib

osgViewerd.lib

osgTextd.lib

5. Введите следующий код в OsgTest.cpp, Ctrl + F5 для запуска, появится корова, указывающая, что конфигурация в проекте C ++ выполнена успешно.

  #include "stdafx.h"

#include 

#include 

#include 

int main (int argc, char ** argv)

{

 osgViewer :: Viewer просмотрщик;

 viewer.setSceneData (osgDB :: readNodeFile ("cow.osg"));

 вернуть viewer.run ();

}
  

Справочный блог:

https://www.pianshen.com/article/4351285774/

https://www.cnblogs.com/smbx-ztbz/p/7197983.html

https://blog.csdn.net/sunnyloves/article/details/55519569