ترجمه شو


تهیه انواع مقالات انگلیسی به همراه ترجمه ی آن

کافیه بگی ترجمه شو....!


برنامه ریزی شغلی با تاخیر کم به همراه اولویت بندی برای توسعه یادگیری عمیق



برنامه ریزی شغلی با تاخیر کم به همراه اولویت بندی برای توسعه یادگیری عمیق


One significant challenge in the job scheduling of computing clusters for the development of deep learning algorithms is the efficient scheduling of trial anderror (TE) job, the type of job in which the users seek to conduct small-scale experiments while monitoring their processes. Unfortunately, the existing job schedulers to date do not feature well-balanced scheduling for the mixture of TE jobs and best-effort (BE) jobs, or they can handle the mixture in limited situations at most. To fill in this niche, we propose an algorithm that can significantly reduce the latency of TE jobs in versatile situations without greatly elongating the slowdown of the BE jobs. Our algorithm efficiently schedules both TE and BE jobs by selectively preempting the BE jobs that can be, when the time comes, resumed without much delay. In our simulation study with synthetic and real workloads, we were able to reduce the 95th percentile of the slowdown rates for the TE jobs in the standard FIFO strategy by 96.6%, while compromising the median of the BE slowdown rates by only 18.0% and the 95th percentile by only 23.9%.
​یک چالش مهم در برنامه ریزی شغلی دسته های محاسباتی برای توسعه الگوریتم های یادگیری عمیق، برنامه ریزی مؤثر مشاغل آزمایش و خطای (TE) است، نوعی شغل که در آن کاربران به دنبال انجام آزمایش های با مقیاس کوچک همراه با نظارت بر عملیات های خود هستند. متأسفانه، برنامه ریزان شغلی موجود تا به امروز برنامه ریزی مناسبی برای ترکیب مشاغل TE و مشاغلی با بهترین تلاش ( (BE ارائه نداده اند، و یا حداکثر قادرند این ترکیب را در شرایط محدود اداره کنند. برای  پر کردن این خلاء، الگوریتمی را پیشنهاد می کنیم که می تواند بطور قابل توجهی تاخیر مشاغل TE را در موقعیت های متنوع، بدون ایجاد تاخیر زیاد در مشاغل  BE کاهش دهد. این الگوریتم بطور موثر هر دو مشاغل TE و BE را به طور انتخابی با پیش دستی مشاغل BE زمان بندی می کند؛ که می تواند ، وقتی زمان آن برسد، بدون تأخیر زیاد، از سر گرفته شود. ما در مطالعه شبیه سازی با بار کاریمصنوعی و حقیقی، قادر به تقلیل 95 امین صدک كاهش نرخ مشاغل TE در استراتژي استاندارد FIFO با 96.6٪ بوديم، در حالي كه متوسط نرخ كاهش BE تنها 18.0٪ و 95 امین صدک تنها 23.9٪ بوده است.
 
تصویر امنیتی





محصولات مرتبط