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。
深層ニューラルネットワークモデルは,多くの実世界ソフトウェアアプリケーションの一部として統合されている。巨大なモデルサイズと複雑な計算のため,分散深層学習(DDL)フレームワークは,資源割当とジョブスケジューリングの両方からDDL訓練ジョブを管理するための高品質クラスタスケジューラを提供することを目的とする。しかしながら,既存のスケジューラは,固定量の資源を割り当てるか,あるいはタスク配置を制御せずに,より少ない効率の訓練をもたらす。本論文では,DDLジョブ用に調整したGPUクラスタスケジューラであるDeepSysを提案した。単一モデルのために,DeepSysは,正確な訓練速度を予測する速度モデルと高品質資源利用のための記憶モデルを造る。ジョブスケジューリングのために,DeepSysは,クラスタにおける効率的なジョブスケジューリングを提供するために,資源割り当てとタスク配置を考慮する。2つのクラスタにおけるKubernetesに関して実行した実験は,平均ジョブ完了時間とメイクスパンに関して,それぞれ,20%-25%と10%-15%によって比較した方法への利点を示した。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】