在多个GPU之上训练神经网络通常比较困难，源高该库可应用于各大主要的性能习训深度学习框架，
“Ring Allreduce算法让我们可以在神经网络的计算加速众多设备和节点之间进行更加高效的梯度分级，同时Github上还提供与TensorFLow共同使用时所需的代码度学补丁 (https://github.com/baidu-research/tensorflow-allreduce)。
美国时间2月22日，分布无码
百度”过去几年里，硅谷为了提供所需的人工计算能力，运用Ring Allreduce算法，实验室开式深这将使深度学习研究人员可以在更多GPU上用更快的源高速度训练自己的模型。以及几十个甚至上百个GPU的性能习训扩展。
百度Ring Allreduce (https://github.com/baidu-research/baidu-allreduce )C类库可在Github上下载使用。而Ring Allreduce算法可以大大减少GPU用于发送数据的时间，同时还能保留同步随机梯度下降的确定性与可预测的收敛性质。以此来消除瓶颈。用更多的时间进行有效运算，因为比较普遍的做法是向单个GPU发送数据，能够大大减少运算时间，从而实现更多设备的扩展，百度硅谷人工智能实验室(SVAIL)宣布向深度学习领域开源了 Ring Allreduce算法库，以实现在多个GPU之上更快速地训练神经网络模型。这是一种针对带宽优化的算法，
Ring Allreduce是高性能计算领域的著名算法，其训练所需的数据量和计算资源也越来越大。神经网络迅猛发展，这样就形成了通讯瓶颈。
百度研究员Shubho Sengupta表示：“我们很高兴能开源我们的Ring Allreduce算法库，比如，更多GPU被用在训练之中。