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。
反復同期アプリケーション(ISApps)は,分散深層学習(DL)訓練によって表現される今日のデータセンターにおいて一般的である。ISAppでは,複数のノードは,各反復における結果をグローバルに同期して,反復的に計算タスクを実行する。ISAppのスケーリング効率を高めるために,本論文では,CEFSと呼ばれる新しいフロースケジューリング手法を提案した。CEFSは,2つの側面から計算ノードの待ち時間を節約する。単一ノードに対して,ノードで以前の計算をトリガできるデータを有するフローを,より高い優先度で割り当てる。ノード間で,より遅いノードへの流れは,より高い優先度で割り当てられる。実システムにおけるCEFS実現の課題に取り組むために,例えば,商品スイッチに関する優先待ち行列の限られた数,2つのタイプの優先度の組合せ,および種々の応用とハードウェア環境への適応,著者らは,二次元順序保存規則を満たすオンラインBayes最適化ベースの優先順位割当てアルゴリズムを設計した。CEFSプロトタイプを実装し,16ノードGPU/RoCEv2テストベッドにより,典型的なDLモデルとNS-3シミュレーションの訓練によりCEFSを評価した。10sorFlowと2つの代表的スケジューリングソリューションと比較して,TicTacとByteScheuler,CEFSは,訓練スループットを,それぞれ253%,252%と47%まで改善する。さらに,TensorFlow,TicTac,ByteScheduler,およびCEFSの下の16ノードシステムのスケーリング効率は,それぞれ,26.6%≦46.9%,26.7%≦47.0%,63.9%≦80.3%,および92.9%≦94.7%であった。NS-3シミュレーション結果は,CEFSが大規模で類似のスケーリング効率を達成できることを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】