Machine Learning,Databases,Performance,یادگیری ماشین , پایگاه داده , عملکرد ,
توضیحات
Submitted 17 September, 2024; originally announced September 2024. , Comments: To be published in proceedings of the 51st International Conference on Very Large Data Bases (VLDB), September 1-5, 2025
توضیحات به فارسی
ارسال شده 17 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: برای انتشار در مجموعه مقالات 51 مین کنفرانس بین المللی در پایگاه های داده بسیار بزرگ (VLDB) ، 1-5 سپتامبر ، 2025
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Graph neural networks (GNNs) are a type of neural network capable of learning on graph-structured data. However, training GNNs on large-scale graphs is challenging due to iterative aggregations of high-dimensional features from neighboring vertices within sparse graph structures combined with neural network operations. The sparsity of graphs frequently results in suboptimal memory access patterns and longer training time. Graph reordering is an optimization strategy aiming to improve the graph data layout. It has shown to be effective to speed up graph analytics workloads, but its effect on the performance of GNN training has not been investigated yet. The generalization of reordering to GNN performance is nontrivial, as multiple aspects must be considered: GNN hyper-parameters such as the number of layers, the number of hidden dimensions, and the feature size used in the GNN model, neural network operations, large intermediate vertex states, and GPU acceleration. In our work, we close this gap by performing an empirical evaluation of 12 reordering strategies in two state-of-the-art GNN systems, PyTorch Geometric and Deep Graph Library. Our results show that graph reordering is effective in reducing training time for CPU- and GPU-based training, respectively. Further, we find that GNN hyper-parameters influence the effectiveness of reordering, that reordering metrics play an important role in selecting a reordering strategy, that lightweight reordering performs better for GPU-based than for CPU-based training, and that invested reordering time can in many cases be amortized.
چکیده به فارسی (ترجمه ماشینی)
شبکه های عصبی نمودار (GNN) نوعی از شبکه عصبی هستند که قادر به یادگیری بر روی داده های ساخته شده از نمودار هستند.با این حال ، آموزش GNN در نمودارهای در مقیاس بزرگ به دلیل تجمع تکراری از ویژگی های با ابعاد بالا از راس های همسایه در ساختارهای نمودار پراکنده همراه با عملیات شبکه عصبی ، چالش برانگیز است.کمبود نمودارها اغلب منجر به الگوهای دسترسی به حافظه زیر حد و زمان آموزش طولانی تر می شود.تنظیم مجدد نمودار یک استراتژی بهینه سازی با هدف بهبود طرح داده های نمودار است.نشان داده شده است که برای سرعت بخشیدن به بار کاری نمودار تجزیه و تحلیل مؤثر است ، اما تأثیر آن بر عملکرد آموزش GNN هنوز مورد بررسی قرار نگرفته است.تعمیم مجدد به عملکرد GNN غیرقانونی است ، زیرا باید جنبه های مختلفی در نظر گرفته شود: پارامترهای Hyper GNN مانند تعداد لایه ها ، تعداد ابعاد پنهان و اندازه ویژگی مورد استفاده در مدل GNN ، عملیات شبکه عصبی ، واسطه بزرگایالات ورتکس و شتاب GPU.در کار خود ، ما با انجام یک ارزیابی تجربی از 12 استراتژی مرتب سازی در دو سیستم پیشرفته GNN ، کتابخانه هندسی و نمودار عمیق ، این شکاف را می بندیم.نتایج ما نشان می دهد که مرتب سازی نمودار به ترتیب در کاهش زمان آموزش برای آموزش CPU- و GPU مؤثر است.علاوه بر این ، ما می یابیم که پارامترهای Hyper GNN بر اثربخشی تنظیم مجدد تأثیر می گذارد ، که تنظیم مجدد معیارها نقش مهمی در انتخاب یک استراتژی تنظیم مجدد دارند ، که تنظیم مجدد سبک وزن برای آموزش GPU بهتر از آموزش مبتنی بر CPU است ، و این زمان می تواند سرمایه گذاری سرمایه گذاری شوددر بسیاری از موارد استهلاک می شود.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
