AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：GPU加速×
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
6月10日
09:21
09:21arXiv cs.LG@Gal Bloch, Ariel Gera, Matan Orbach, Ohad Eytan, Assaf Toledo
精选
Flash-GMM 是一个融合的 Triton 内核，用于在单次 GPU 传递中高效计算高斯混合模型（GMM）。它通过避免在 GPU 内存中实例化完整的责任矩阵，实现了比现有实现快 20 倍的加速，并支持在单个设备上训练比以往大 100 倍以上的数据集。该内核被集成到 IVF 粗量化器中用于近似最近邻搜索，表明软 GMM 聚类可以替代 k-means，并利用 GMM 责任将边界向量分配到多个簇。在达到固定召回率目标时，Flash-GMM 减少了最多 1.7 倍的距离计算，或在相同计算成本下召回率提升 2-12 个点。该项目已开源。
论文GMMGPU加速聚类近似最近邻搜索开源
推荐理由：做大规模聚类或近似最近邻搜索的团队，Flash-GMM 让你在单卡上处理百倍数据量，速度还快 20 倍，直接替换 k-means 就能提升召回率，值得一试。
原文
5月15日
11:24
11:24arXiv: Google DeepMind@Juho Kim, Tuomas Sandholm
精选
这篇论文提出了一种将反事实遗憾最小化（CFR）算法并行化的通用框架，通过将CFR重新表述为一系列线性代数运算，从而利用现有的并行线性代数技术加速。实验表明，在GPU上实现的CFR比Google DeepMind的OpenSpiel库在CPU上的实现快高达四个数量级。该框架还适用于CFR+、折扣CFR和预测变体等最先进的表格型CFR算法。这项工作填补了并行化在博弈求解领域应用的空白，有望大幅加速大型不完美信息博弈的求解。
论文博弈求解并行计算GPU加速CFR算法不完美信息博弈
推荐理由：博弈论和AI研究者终于有了加速CFR的实用方案——GPU并行化让求解速度提升万倍，做不完美信息博弈的团队可以直接用这个框架改造现有算法。
原文