This paper proposes TRAININGCXL that can efficiently process large-scale recommendation datasets in the pool of disaggregated memory while making training fault tolerant with low overhead. To this end, i) we integrate persistent memory (PMEM) and GPU into a cache-coherent domain as Type-2. Enabling CXL allows PMEM to be directly placed in GPU's memory hierarchy, such that GPU can access PMEM without software intervention. TRAININGCXL introduces computing and checkpointing logic near the CXL controller, thereby training data and managing persistency in an active manner. Considering PMEM's vulnerability, ii) we utilize the unique characteristics of recommendation models and take the checkpointing overhead off the critical path of their training. Lastly, iii) TRAININGCXL employs an advanced checkpointing technique that relaxes the updating sequence of model parameters and embeddings across training batches. The evaluation shows that TRAININGCXL achieves 5.2x training performance improvement and 76% energy savings, compared to the modern PMEM-based recommendation systems.


翻译:本文建议培训计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化系统化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化系统系统系统化系统化系统化系统化系统化系统,从而采用计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化系统化系统化系统化系统化系统化系统化系统化系统化系统化计算机化系统化系统化系统化系统化系统化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化系统化系统化系统化系统化系统化系统化系统化系统化系统化系统化系统化系统化系统化系统化系统化系统化系统化系统化系统化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化计算机化

0
下载
关闭预览

相关内容

Stabilizing Transformers for Reinforcement Learning
专知会员服务
60+阅读 · 2019年10月17日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
27+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
29+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
18+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Adaptive Synthetic Characters for Military Training
Arxiv
50+阅读 · 2021年1月6日
VIP会员
相关资讯
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
27+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
29+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
18+阅读 · 2018年12月24日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员