Der Artikel diskutiert die Herausforderungen beim Training von Graph Neural Networks (GNNs) auf großen Graphen und stellt den GPU Initiated Direct Storage Access (GIDS) Dataloader vor. Dieser ermöglicht effizientes Training von GNNs auf großen Graphen, indem er GPU-orientierte Ansätze nutzt und die Speicherressourcen effektiv verwaltet. Der GIDS-Dataloader verbessert die Leistung und Skalierbarkeit von GNNs, indem er die Graphstrukturdaten im CPU-Speicher und die Merkmalsdaten im Speicher speichert, die dynamische Speicherzugriffsakkumulator-Technik verwendet, einen konstanten CPU-Puffer einsetzt und das Window-Buffering zur Optimierung der GPU-Cache-Nutzung nutzt.
In un'altra lingua
dal contenuto originale
arxiv.org
Approfondimenti chiave tratti da
by Jeongmin Bri... alle arxiv.org 03-08-2024
https://arxiv.org/pdf/2306.16384.pdfDomande più approfondite