( en | de | ru )

 

Disambiguierung von "Tang, Zhenheng"

Autor der Publikation

KopierenLöschenDiese Publikation zur Ablage hinzufügen
A Quantitative Survey of Communication Optimizations in Distributed Deep Learning.

, , , , , und . IEEE Netw., 35 (3): 230-237 (2021)

Bitte wählen Sie eine Person um die Publikation zuzuordnen

Um zwischen Personen mit demselben Namen zu unterscheiden, wird der akademische Grad und der Titel einer wichtigen Publikation angezeigt. Zudem lassen sich über den Button neben dem Namen einige der Person bereits zugeordnete Publikationen anzeigen.

Tang Tang

Junhua Tang

Fei Tang

Jian Tang

Yu Tang

 

Weitere Publikationen von Autoren mit dem selben Namen

A Convergence Analysis of Distributed SGD with Communication-Efficient Gradient Sparsification., , , , und . IJCAI, Seite 3411-3417. ijcai.org, (2019)VMRNN: Integrating Vision Mamba and LSTM for Efficient and Accurate Spatiotemporal Forecasting., , , , und . CoRR, (2024)Reliable and Efficient In-Memory Fault Tolerance of Large Language Model Pretraining., , , , , , , , , und . CoRR, (2023)Layer-Wise Adaptive Gradient Sparsification for Distributed Deep Learning with Convergence Guarantees., , , , und . ECAI, Volume 325 von Frontiers in Artificial Intelligence and Applications, Seite 1467-1474. IOS Press, (2020)Communication-Efficient Distributed Deep Learning: A Comprehensive Survey., , , , und . CoRR, (2020)The Impact of GPU DVFS on the Energy and Performance of Deep Learning: an Empirical Study., , , und . e-Energy, Seite 315-325. ACM, (2019)A Distributed Synchronous SGD Algorithm with Global Top-k Sparsification for Low Bandwidth Networks., , , , , , und . ICDCS, Seite 2238-2247. IEEE, (2019)Benchmarking the Performance and Energy Efficiency of AI Accelerators for AI Training., , , , , , und . CCGRID, Seite 744-751. IEEE, (2020)NAS-LID: Efficient Neural Architecture Search with Local Intrinsic Dimension., , , , , , , und . AAAI, Seite 7839-7847. AAAI Press, (2023)A Quantitative Survey of Communication Optimizations in Distributed Deep Learning., , , , , und . IEEE Netw., 35 (3): 230-237 (2021)