文献

J-GLOBAL ID：201802211649872095   整理番号：18A0517901

I/O解析と最適化によるスケーラブルなディープ学習に向けて【Powered by NICT】

Towards Scalable Deep Learning via I/O Analysis and Optimization

著者 (4件)： Pumma Sarunya ,  Si Min ,  Feng Wu-chun ,  Balaji Pavan
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： HPCC/SmartCity/DSS  ページ： 223-230  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深学習システムは,オブジェクト,傾向と異常を自動特性化するための方法として顕著に増大し続けている。研究者は,そのようなシステムを最適化する手法を研究してきた。特に関心領域は効果的な深い学習ネットワークを迅速にスーパーコンピューティングシステムを用いて,深層ニューラルネットワークの「トレーニング」と呼ばれる相,Caffe上大規模システムとしての骨格このような深い学習をスケールとして,並列計算を著しく向上,全体的なシステムのスケーラビリティを制限する主要なボトルネックとしてデータI/Oを助けることができることに注目した。本論文では,大規模スーパコンピュータシステム上でのCaffeの性能ボトルネックを詳細に解析した。解析はCaffeのI/Oはメモリマップ入出力,プロセススケジューリングシステムとネットワークに基づく並列ファイルシステムとの相互作用のために大規模システムに高度に非効率であることができるサブシステムLMDB依存していることを示した。この解析に基づいて,著者らはLMDBIO,I/O性能を大いに改善するために,データアクセスパターンを考慮に入れたCaffe用に最適化されたI/Oプラグインを示した。実験結果はLMDBIOは,いくつかのケースでほぼ20倍Caffeの全体的実行時間を改善できることを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 並列演算 ,  ネットワーク ,  相互作用 ,  大規模系 ,  *最適化 ,  ファイルシステム ,  キャラクタリゼーション ,  *学習
準シソーラス用語： 実行時間 ,  プラグイン ,  サブシステム ,  メモリマップ ,  ディープニューラルネットワーク ,  関心領域 ,  学習支援システム , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 解析 ,  最適化 ,  学習