FluxML/Flux.jl

Benchmark optimizer latency on GPU

Open

#1.699 geöffnet am 24. Aug. 2021

Auf GitHub ansehen
 (0 Kommentare) (0 Reaktionen) (0 zugewiesene Personen)Julia (619 Forks)batch import
cudahelp wantedperformance

Repository-Metriken

Stars
 (4.725 Stars)
PR-Merge-Metriken
 (Durchschn. Merge 4h 27m) (2 gemergte PRs in 30 T)

Beschreibung

Ref. https://github.com/JuliaGPU/GPUCompiler.jl/issues/65#issuecomment-903155469. We should do this for both the current mutating optimizers and for Optimisers.jl. It may be that TTFG is only part of the problem.

Contributor Guide

Research-Richtung
Beginnen Sie mit dem Lesen des verlinkten Kommentars in GPUCompiler.jl (Issue #65). Untersuchen Sie die aktuellen mutierenden Optimierer in Flux und vergleichen Sie sie mit Optimisers.jl. Das Ziel ist die Messung der Latenz auf der GPU, möglicherweise unter Verwendung von Benchmarking Tools wie BenchmarkTools.jl. Berücksichtigen Sie sowohl die Zeit bis zum ersten Gradienten (time to first gradient) als auch die allgemeine Iterationsleistung.
Tech Stack
Keine
Domain
machine learningperformance
Issue Type
Performance
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
4
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
3-5 Tage
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Veraltet
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Recherche nötig
Voraussetzungen
JuliaGPU programmingFluxbenchmarking
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
15