지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 李在桓
- 발행연도
- 2020
- 저작권
- 한국항공대학교 논문은 저작권에 의해 보호받습니다.
이용수8
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 Many Core CPU와 Python 환경에서 Parallel 및 Distributed Deep Learning의 MPI 통신 성능 개선을 위해, 고성능 메모리 모드와 프로세서의 위치가 통신 성능에 미치는 영향에 대해 분석한다. Intel Xeon Phi Knights Landing 프로세서의 On-Package 메모리인 Multi-Channel DRAM(MCDRAM)을 이용하여 Python MPI 통신 성능을 향상시키기 위한 방안을 제안한다. 고 대역폭 MCDRAM을 사용하기 위해 Memkind 라이브러리를 활용하고 Python 환경에서 Memkind 라이브러리를 이용하기 위한 Cython Wrapping을 구현한다. Parallel 및 Distributed Deep Learning에서 데이터를 교환할 때 사용하는 Collective Communication 방법들을 기반으로 MCDRAM과 DDR4의 비교 분석을 하고 Many Core CPU의 Cluster 모드와 Memory 모드에 따라 실험을 수행한다. 또한, Docker의 가상 환경에서 분산 통신에 대한 실험을 수행한다. 실험 검증 결과 제안된 설계에서는 Flat Mode에서 MCDRAM을 사용할 경우, Flat Mode에서 DDR4를 사용한 경우보다 최대 193% 성능 향상을 보였으며 Cache Mode에서 DDR4와 비교했을 때 최대 137% 향상 시킬 수 있음을 보였다.
목차
제 1 장 서론 1제 2 장 연구 배경 42.1 Parallel and Distributed Deep Learning 42.2 Python GIL 62.3 Many Core CPU : Knights Landing 92.4 MCDRAM 112.5 Cluster Mode 15제 3 장 제안하는 설계 및 구현 방안 193.1 MPI 193.2 MCDRAM 사용을 위한 Memkind 라이브러리 243.3 Wrapping Memkind for Python 27제 4 장 성능 검증을 위한 실험 및 결과 분석 304.1 BroadCast 344.2 Gather 414.3 AllReduce 484.4 Cluster Mode 55제 5 장 관련 연구 58제 6 장 결론 및 향후 연구 60참고 문헌 62SUMMARY 65
최근 본 자료
댓글(0)
0