English
管理与服务机构
美高梅在线登录网址-手机登录官网-www.4688.com党委办公室、校长办公室 纪律检查委员会办公室(监察处) 党委组织部 党委党校 党委宣传部(新闻办公室) 党委统战部 党委学生美高梅在线登录网址部 人民武装部 机关党委 财院校区党工委 离退休处党委 校工会 共青团美高梅在线登录网址-手机登录官网-www.4688.com委员会 发展规划办 教务处 现代工程训练中心 研究生院 学生美高梅在线登录网址处 招生与就业指导处 科学技术研究院 社会科学处 人力资源处 人才工程办公室 计划财务处 资产管理中心 国际合作交流处 监察处 审计处 实验室建设与设备管理处 后勤与房地产管理处 基本建设处 离退休处 保卫处(综合治理办公室) 法律事务办公室 档案与校史馆 财院校区管委会 校友美高梅在线登录网址办公室 校园信息化建设与管理办公室 图书馆 远程与继续教育学院 美高梅在线登录网址-手机登录官网-www.4688.com空军选培办 两型社会研究院 美高梅在线登录网址-手机登录官网-www.4688.com超级计算中心 美高梅在线登录网址-手机登录官网-www.4688.com互联网信息服务研究中心 资产经营有限公司 美高梅在线登录网址-手机登录官网-www.4688.com出版社有限责任公司 美高梅在线登录网址-手机登录官网-www.4688.com期刊社 后勤服务总公司 校医院 人口和计划生育办 普教中心
教育与研究机构
机械与运载工程学院 电气与信息工程学院 材料科学与工程学院 信息科学与工程学院 建筑学院 环境科学与工程学院 土木工程学院 设计艺术学院 化学化工学院 生物学院 数学与计量经济学院 物理与微电子科学学院 经济与贸易学院 金融与统计学院 工商管理学院 法学院(政治与公共管理学院) 马克思主义学院 新闻传播与影视艺术学院 教育科学研究院 体育学院 中国语言文学学院 岳麓书院 外国语学院 国家高效磨削工程技术研究中心 汽车车身先进设计制造国家重点实验室 化学生物传感与计量学国家重点实验室 经济管理研究中心 机器人学院
校园生活
当前位置: 美高梅在线登录网址 >> 校园生活 >> 学术活动 >> 学院讲座 >> 正文
统计数据 / lectrue notice
  • 排序 学院 发文量
    1 机械与运载工程学院 118
    2 物理与微电子科学学院 103
    3 岳麓书院 101
    4 化学化工学院 97
    5 数学与计量经济学院 50
    6 材料科学与工程学院 45
    7 土木工程学院 42
    8 建筑学院 40
    9 经济与贸易学院 38
    10 电气与信息工程学院 33
  • 排序 学院 发文量
    11 信息科学与工程学院 30
    12 工商管理学院 28
    13 生物学院 18
    14 法学院 15
    15 外国语学院 15
    16 教务处 14
    17 新闻传播与影视艺术学院 8
    18 研究生院 7
    19 经济与管理研究中心 6
    20 马克思主义学院 5
    21 中国语言文学学院 4
信科院:Gandiva: Introspective Cluster Scheduling for Deep Learning
学术地点 信息科学与工程学院106室 主讲人 肖文聪
讲座时间 2018年12月6号下午14:30

报告题目:Gandiva: Introspective Cluster Scheduling for Deep Learning(发表于OSDI 2018)

报告时间:2018年12月6号下午14:30

报告地点:美高梅在线登录网址-手机登录官网-www.4688.com 信息科学与工程学院106室

报告人:肖文聪,北京航空航天大学—微软亚洲研究院联合培养五年级博士生,现在微软亚洲研究院系统组实习,研究方向是机器学习系统和基础架构。曾在系统顶会OSDI、NSDI、SOSP等发表多篇论文。

报告简介:We introduce Gandiva, a new cluster scheduling framework that utilizes domain-specific knowledge to improve latency and efficiency of training deep learning models in a GPU cluster. One key characteristic of deep learning is feedbackdriven exploration, where a user often runs a set of jobs (or a multi-job) to achieve the best result for a specific mission and uses early feedback on accuracy to dynamically prioritize or kill a subset of jobs; simultaneous early feedback on the entire multi-job is critical. A second characteristic is the heterogeneity of deep learning jobs in terms of resource usage, making it hard to achieve best-fit a priori. Gandiva addresses these two challenges by exploiting a third key characteristic of deep learning: intra-job predictability, as they perform numerous repetitive iterations called mini-batch iterations. Gandiva exploits intra-job predictability to time-slice GPUs efficiently across multiple jobs, thereby delivering lowlatency. This predictability is also used for introspecting job performance and dynamically migrating jobs to better-fit GPUs, thereby improving cluster efficiency. We show via a prototype implementation and microbenchmarks that Gandiva can speed up hyper-parameter searches during deep learning by up to an order of magnitude, and achieves better utilization by transparently migrating and time-slicing jobs to achieve better job-toresource fit. We also show that, in a real workload of jobs running in a 180-GPU cluster, Gandiva improves aggregate cluster utilization by 26%, pointing to a new way of managing large GPU clusters for deep learning.

上一条:土木院:盐岩能源地下储备工程研究及其进展
下一条:化工院:Highly active and durable single atom Pt/CeO2 catalysts for CO oxidation

美高梅在线登录网址官网
美高梅在线登录网址微信
美高梅在线登录网址微博
XML 地图 | Sitemap 地图