Autor der Publikation

Kopieren Löschen Diese Publikation zur Ablage hinzufügen
Community-Eintrag
Versionsverlauf dieses Eintrags
URL
DOI
BibTeX
EndNote
APA
Chicago
DIN 1505
Harvard
MSOffice XML

MegaScale: Scaling Large Language Model Training to More Than 10, 000 GPUs.

Z. Jiang, H. Lin, Y. Zhong, Q. Huang, Y. Chen, Z. Zhang, Y. Peng, X. Li, C. Xie, S. Nong, Y. Jia, S. He, H. Chen, Z. Bai, Q. Hou, S. Yan, D. Zhou, Y. Sheng, Z. Jiang, H. Xu, H. Wei, Z. Zhang, P. Nie, L. Zou, S. Zhao, L. Xiang, Z. Liu, Z. Li, X. Jia, J. Ye, X. Jin, und X. Liu. NSDI, Seite 745-760. USENIX Association, (2024)

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.

Changgeng Peng

Xiao-Wei Peng

Martin Peng

Guo Peng

Jianqiang Peng

Weitere Publikationen von Autoren mit dem selben Namen

Dynamic Scaling of Virtualized, Distributed Service Chains: A Case Study of IMS.J. Duan, C. Wu, F. Le, A. Liu, und Y. Peng. IEEE J. Sel. Areas Commun., 35 (11): 2501-2511 (2017)Optimus: an efficient dynamic resource scheduler for deep learning clusters.Y. Peng, Y. Bao, Y. Chen, C. Wu, und C. Guo. EuroSys, Seite 3:1-3:14. ACM, (2018)Elastic parameter server load distribution in deep learning clusters.Y. Chen, Y. Peng, Y. Bao, C. Wu, Y. Zhu, und C. Guo. SoCC, Seite 507-521. ACM, (2020)POSTER: LLM-PQ: Serving LLM on Heterogeneous Clusters with Phase-Aware Partition and Adaptive Quantization.J. Zhao, B. Wan, C. Wu, Y. Peng, und H. Lin. PPoPP, Seite 460-462. ACM, (2024)LLM-PQ: Serving LLM on Heterogeneous Clusters with Phase-Aware Partition and Adaptive Quantization.J. Zhao, B. Wan, Y. Peng, H. Lin, und C. Wu. CoRR, (2024)DL2: A Deep Learning-Driven Scheduler for Deep Learning Clusters.Y. Peng, Y. Bao, Y. Chen, C. Wu, C. Meng, und W. Lin. IEEE Trans. Parallel Distributed Syst., 32 (8): 1947-1960 (2021)Deep Learning-based Job Placement in Distributed Machine Learning Clusters.Y. Bao, Y. Peng, und C. Wu. INFOCOM, Seite 505-513. IEEE, (2019)Online Job Scheduling in Distributed Machine Learning Clusters.Y. Bao, Y. Peng, C. Wu, und Z. Li. INFOCOM, Seite 495-503. IEEE, (2018)CDMPP: A Device-Model Agnostic Framework for Latency Prediction of Tensor Programs.H. Hu, J. Su, J. Zhao, Y. Peng, Y. Zhu, H. Lin, und C. Wu. EuroSys, Seite 1054-1074. ACM, (2024)deTector: a Topology-aware Monitoring System for Data Center Networks.Y. Peng, J. Yang, C. Wu, C. Guo, C. Hu, und Z. Li. USENIX ATC, Seite 55-68. USENIX Association, (2017)

BibSonomy

Disambiguierung von "Peng, Yanghua"

Kopieren Löschen Diese Publikation zur Ablage hinzufügen
Community-Eintrag
Versionsverlauf dieses Eintrags
URL
DOI
BibTeX
EndNote
APA
Chicago
DIN 1505
Harvard
MSOffice XML

MegaScale: Scaling Large Language Model Training to More Than 10, 000 GPUs.

Bitte wählen Sie eine Person um die Publikation zuzuordnen

Changgeng Peng

Xiao-Wei Peng

Martin Peng

Guo Peng

Jianqiang Peng

Weitere Publikationen von Autoren mit dem selben Namen

Disambiguierung

BibSonomy

Disambiguierung von "Peng, Yanghua"

KopierenLöschenDiese Publikation zur Ablage hinzufügenCommunity-EintragVersionsverlauf dieses EintragsURLDOIBibTeXEndNoteAPAChicagoDIN 1505HarvardMSOffice XML MegaScale: Scaling Large Language Model Training to More Than 10, 000 GPUs.

Bitte wählen Sie eine Person um die Publikation zuzuordnen

Changgeng Peng

Xiao-Wei Peng

Martin Peng

Guo Peng

Jianqiang Peng

Weitere Publikationen von Autoren mit dem selben Namen

Disambiguierung

Kopieren Löschen Diese Publikation zur Ablage hinzufügen
Community-Eintrag
Versionsverlauf dieses Eintrags
URL
DOI
BibTeX
EndNote
APA
Chicago
DIN 1505
Harvard
MSOffice XML

MegaScale: Scaling Large Language Model Training to More Than 10, 000 GPUs.