BigDL入门 （3）

在BigDL中，实现了众多的算子，而它们共同继承自一个名为AbstractModule的接口。它对深度学习的基本逻辑，即前向-后向计算进行了抽象和封装。因此，在BigDL中，它既可以表示一个完整的深度学习模型，又可以表示一个独立的算子。该接口主要定义了如下方法：
forward
即深度网络的前向运算，该方法的执行包含2步，分别为updateParameter和updateOutput。首先在updateParameter阶段，根据上一次迭代汇总的梯度计算出最新的模型参数，然后在updateOutput阶段，根据当前参数对输入数据按照定义的逻辑进行运算，得到输出。updateOutput方法定义了具体的计算逻辑，需要继承该接口的对象自行实现。

backward
即深度学习中的后向运算，该方法的主要作用则在于根据模型输出和目标输出（通常为label）的loss计算出参数的梯度。值得注意的是，由于BigDL采用了数据并行的方式进行分布式训练，因而各个子模型都会计算得到一份独立的梯度。各自的梯度在计算完成后，分别通过Spark中的BlockManager进行写入。待各个子模型完成梯度计算后，另外一个Spark任务负责将BlockManager中的梯度进行聚合汇总，供下一轮迭代时forwad方法使用。