抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
深い学習システムが重要性を増し続けているので,研究者はそのようなシステムを高性能計算プラットフォーム上で効率的かつスケーラブルにするためのアプローチを分析してきた。しかしながら,計算の並列性が増加するにつれて,データI/Oは全体のシステムスケーラビリティを制限する主要なボトルネックになる。本論文では,Caffeの深い学習フレームワークのI/OサブシステムであるLMDBを改善するための努力を続けた。以前の論文では,IO/O性能を大幅に向上させるために,Caffeのデータアクセスパターンを考慮したCaffeのためのLMDBIO-(最適化されたI/Oプラグイン)を提示した。しかし,LMDBIOの最適化は,LMM(局在化マップ)と呼ばれるが,ノード内性能に制限され,これらの最適化は,分散メモリ環境におけるI/O非効率を最小化することはほとんどない。本論文では,分散メモリ環境におけるCaffeのI/Oアクセスを最適化するLMDBIO-LMMの強化版であるLMDBIO-DMを提案した。このような環境における著しい改善を可能にするいくつかの洗練されたデータI/O技術を提示した。実験結果により,LMDBIO-DMは,LMDBと比較して30倍以上,LMDBIO-LMMと比較して2倍以上,Caffeの全体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【JST・京大機械翻訳】
